基于多尺度模糊熵的脑电信号特征提取方法

目的利用多尺度模糊熵特征提高脑电信号的识别率。方法采用滑动均值滤波使粗粒化后脑电信号各尺度上的序列尽量保留原始信息,然后用多尺度模糊熵进行特征提取,通过Fisher得分对不同尺度模糊熵的特征分类能力排序,选定排序靠前的多尺度模糊熵组成最优特征向量,实现特征降维。结果在BCI Competition实验数据上进行验证,结果表明该方法用支持向量机做分类器,准确率平均达88.94%。结论本文提出的多尺度模糊熵对脑电信号的特征提取方法具有针对性,既提升了识别率又保持了算法效率。

基于CEEMDAN-ICA的单通道脑电信号眼电伪迹滤除方法

传统盲源分离法不能解决欠定问题,且分离信号与源信号对应关系不确定。提出一种基于自适应噪声完备经验模态分解(CEEMDAN)和独立成分分析(ICA)相结合的脑电信号眼电伪迹自动去除方法。该方法首先将含伪迹脑电信号自适应分解成多维本征模态函数(IMF),以满足盲源分离方法对信号正定或超定要求,再对本征模态函数用ICA方法构建多维源信号,最后利用模糊熵阈值判据判别多维源信号中的伪迹信号,完成滤波并重构脑电信号。该方法相比于其他算法,能更好的去除眼电伪迹并保留原始信息,适合单通道脑电信号预处理。