基于L1-范數(shù)的EEG信號魯棒分類研究.pdf

1、基于腦電（electroencephalography，EEG）信號的腦-機接口(brain-computer interfaces，BCI)系統(tǒng)在大腦與其他外部設(shè)備之間建立了非肌肉的通信和交流通道，腦-機接口的出現(xiàn)，為無法進(jìn)行肌肉運動的病人提供了一種與外部環(huán)境交互的新方式。BCI技術(shù)的關(guān)鍵在于對不同精神狀態(tài)下的EEG信號進(jìn)行識別和分類。共同空間模式(common spatialpatterns，CSP)是近些年提出的一種應(yīng)用廣泛的特征

2、提取方法，能夠捕捉大腦在進(jìn)行運動想象相關(guān)任務(wù)時激發(fā)的事件相關(guān)同步化(event related synchronization，ERS)/事件相關(guān)去同步化(event related desynchronization，ERD)現(xiàn)象，進(jìn)而提取具有判別信息的腦電模式。然而，由于CSP算法使用L2-范數(shù)的散度表達(dá)，容易受到噪聲和奇異值的影響，而單純地使用L1-范數(shù)來代替CSP中L2-范數(shù)散布表達(dá)的方法無法抑制幅值較小的噪聲的影響，也無法得到

3、稀疏的濾波向量。此外，CSP是基于單個信號動態(tài)表現(xiàn)的度量方法，沒有使用兩個EEG信號間的耦合信息。
　　本文提出了兩種魯棒的改進(jìn)L1-范數(shù)共同空間模式算法——基于波形長度正則化的L1-范數(shù)共同空間模式(waveform length regularized CSP-L1，wlCSPL1)算法和基于稀疏度量的L1-范數(shù)共同空間模式（sparse L1-norm based common spatial patterns，sp-CSP

4、L1）算法;此外，提出了一個度量信號間相位同步性的相位特征提取算法——符號秩加權(quán)的相位延遲(phase lag weighted by signed-rank，PLSR)算法，并使用三種耦合框架將EEG信號幅值特征與相位特征進(jìn)行耦合，以得到包含更多判別信息的幅值-相位耦合特征。為了驗證所提出算法的優(yōu)越性，本文使用了1個模擬數(shù)據(jù)集和5個公開的運動想象數(shù)據(jù)集進(jìn)行實驗。實驗結(jié)果顯示:在加入人工噪聲前后，wlCSPL1算法都能利用波形長度度量的