基于邻接矩阵分解的脑电特征提取与分类方法

针对脑-机接口研究中运动想象脑电信号的特征提取问题,本文提出了一种基于脑功能网络邻接矩阵分解的新方法。首先采用多通道运动想象脑电信号构建脑功能网络,然后对相应的邻接矩阵进行奇异值分解,依据矩阵奇异值特征向量定义了脑电的特征参数,最后输入支持向量机分类器,对BCI Competition IV Data Sets 1中的四组数据进行分类识别。实验结果表明,基于脑功能网络邻接矩阵分解的特征提取和支持向量机分类器的方法能够以较高识别率区分不同的运动想象任务,为脑电特征提取研究提供了新的思路。

基于主轴动态核聚类的运动想像脑电信号识别

针对BCI系统中分类精度和分类速度的设计需要,提出了一种基于深度自编码降维的主轴动态核聚类分类方法.首先,采用共空间模式算法对运动想像脑电信号进行特征提取,得到6维的特征向量;然后,为了进一步降低特征向量之间的相关性和计算的复杂度,引入深度自编码降维方法将该特征向量降为2维;最后,设计了基于主轴核函数的动态聚类分类器,对BCI竞赛2008数据集Dataset1中两类模式的脑电信号进行分类,平均识别正确率达到98.29%.该方法不仅能取得较高的分类正确率,而且能降低计算复杂度,可用于BCI系统的实时控制.