基于稀疏嵌入的多分类脑电信号分类方法研究

为解决运动想象脑电(electroencephalogram, EEG)信号多分类传输速率慢、准确率低的问题,本研究利用“一对多”滤波组共空间模式(one vs rest filter bank common spatial pattern, OVR-FBCSP)和稀疏嵌入(sparse embeddings, SE)提出了一种基于SE的多分类EEG信号分类方法。为降低多类任务特征提取的复杂度,提高分类效率,本方法首先采用OVR-FBCSP进行EEG信号特征提取;然后对其相应的标签矩阵进行低维嵌入,构建稀疏嵌入模型,分别计算训练和测试数据的嵌入矩阵;最后在嵌入空间中对训练和测试数据执行k最近邻(k-nearest neighbor, kNN)分类。本研究在BCI Competition IV-2a公开数据集进行了实验测试,并与其他分类方法进行了对比。实验结果表明,本研究方法拥有较高的分类准确率和较短的分析时间。

基于CSP与WPD算法的脑磁信号特征提取研究

针对两类人(精神病患者和正常人)的静息态脑磁信号(MEG)的分类问题,提出一种小波包分解(WPD)和共空间模式(CSP)相结合的特征提取方法。利用小波包对训练集的多路脑磁信号进行分解,再利用共空间模式算法对不同分解层子带的脑磁信号进行特征提取,使用经典的K近邻算法进行特征值分类。仿真实验结果表明,使用低频段(0Hz^4.7Hz)的脑磁信号进行CSP分解,选择5个特征值进行分类,可以得到高达91.7%的正确率。实验证明该方法提取的特征比较明显,是脑磁信号特征提取的新思路。