作者投稿和查稿 主编审稿 专家审稿 编委审稿 远程编辑

计算机工程

• 开发研究与工程应用 • 上一篇    下一篇

基于散度分析的脑电信号特征选择

唐肖芳1,2,周金治1,2   

  1. (1. 西南科技大学信息工程学院,四川绵阳621000;2. 特殊环境机器人技术四川省重点实验室,四川绵阳621000)
  • 收稿日期:2014-08-22 出版日期:2015-05-15 发布日期:2015-05-15
  • 作者简介:唐肖芳(1989 - ),女,硕士研究生,主研方向:脑电信号处理;周金治(通讯作者),副教授。
  • 基金资助:
    特殊环境机器人技术四川省重点实验室基金资助项目(13ZXTK07);西南科技大学研究生创新基金资助项目(14ycx113)。

Electroencephalogram Feature Selection Based on Divergence Analysis

TANG Xiaofang 1,2,ZHOU Jinzhi 1,2   

  1. (1. School of Information Engineering,Southwest University of Science and Technology,Mianyang 621000,China; 2. Robot Technology Used for Special Environment Key Laboratory of Sichuan Province,Mianyang 621000,China)
  • Received:2014-08-22 Online:2015-05-15 Published:2015-05-15

摘要: 为准确选择脑电信号的频率与通道参数,提高样本的分类识别率,提出一种基于散度的脑电信号特征选择 方法。利用散度分析算法从样本数据的原始特征中选取散度值较大的k 个特征,并对其进行基于共空间模型的特 征提取与线性判别分类器的分类识别。使用2005 年BCI 竞赛提供的IVa 数据集5 位样本数据进行实验,结果表 明,采用散度分析算法得到的测试样本与训练样本平均识别率为95. 54% 和84. 57% ,均高于相关系数和互信息选 择算法。

关键词: 脑电信号, 脑机接口, 特征选择, 散度, 共空域模式, 线性判别分类器

Abstract: In order to select the effective frequency and electrodes components, this paper promotes an Electroencephalogram(EEG) feature selection method based on divergence analysis to improve classification accuracy.Throughout the five tested samples from Brain-computer Interface ( BCI ) Competition III dataset IVa, it utilizes divergence analysis algorithms to select the maximum value of the k-space from the original data features,then uses feature extraction based on Common Spatial Pattern ( CSP ) aimed at this k-space feature and classifies by Linear Discriminant Analysis(LDA). The experiment identification that the average rate of classification accuracy can obtained is 95. 54% under training pattern,while reached 84. 57% under test pattern,higher than the selection algorithm of correlation coefficient and mutual information.

Key words: Electroencephalogram (EEG), Brain-computer Interface (BCI);feature selection;divergence;Common Spatial Pattern(CSP);linear discriminant classifier

中图分类号: