基于总体经验模态分解的多类特征的运动想象脑电识别方法研究

人的脑电信号(Electroencephalogram,EEG)复杂且具有非线性及非平稳性的特点使其不易分析处理,其识别效果也依赖于数据集的不同,而表现不稳定.本文中应用的总体经验模态分解(Ensemble empirical mode decomposition,EEMD)是一种具有强自适应性的信号处理方法,其在时频域展现的良好分辨率特别适合脑电识别任务处理.本文提出利用EEMD分解后得到的较具影响能力的固有模态函数(Intrinsic mode functions,IMFs),利用希尔伯特变换提取边际谱(Marginal spectrum,MS)及瞬时能谱(Instantaneous energy spectrum,IES)时频特征,同时通过加窗的方法提取非线性动力学特征近似熵特征,利用线性判别分类器(Linear discriminant analysis,LDA)作为分类器,实验结果得出,对于被试S2和被试S3可达到识别率分别为79.60%和87.77%,实验中9名被试的平均识别率为82.74%,得到平均识别率也高于近期使用相同数据集文献的其他方法.