基于小波包分解的腦電信號分類方法研究.pdf

1、腦電接口(Brain-Computer Interfaces，BCI)為腦和外界提供了直接的交流工具，已經(jīng)被學(xué)者們廣泛研究。腦電信號(electroencephalogram，EEG)因?yàn)檠芯砍杀镜投蔀檠芯緽CI的主要數(shù)據(jù)來源。因此，EEG在生活和科學(xué)研究中扮演重要角色。對于BCI的研究，EEG的不穩(wěn)定性和非線性為其帶來了巨大的挑戰(zhàn)與困難。從原始信號中提取有效的特征對分類起著至關(guān)重要的作用。
　　特征提取和特征分類是腦電信號處理

2、的主要內(nèi)容。特征提取可以采用某種單一的算法，比如自回歸模型、樣本熵、近似熵、小波包分解、快速傅里葉變換、希爾伯特變換等;也可以是兩種算法的結(jié)合，比如經(jīng)驗(yàn)?zāi)B(tài)分解和固有模態(tài)函數(shù)的結(jié)合、階段封鎖值和希爾伯特變換、小波和熵的結(jié)合等。本文針對各特征提取算法和分類器展開研究，主要工作如下:
　　1.單一算法提取特征。本文對單一特征提取算法進(jìn)行了實(shí)驗(yàn)對比，特征提取算法分別采用了樣本熵和自回歸模型，分類器采用了支持向量機(jī)，并對參數(shù)進(jìn)行了尋優(yōu)。在

3、五種思維數(shù)據(jù)集上進(jìn)行了驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，兩種特征提取方法的處理時(shí)間短，相比于樣本熵選取參數(shù)的繁瑣，自回歸模型取得了更好的分類結(jié)果。
　　2.兩種算法結(jié)合提取特征。針對EEG信號的非穩(wěn)定和非線性特性，本文提出了一種新的腦電信號分類方法，以提高分類準(zhǔn)確率和處理時(shí)間。本文將小波包分解和樣本熵結(jié)合起來，提出了一種基于小波包分解的樣本熵特征提取方法。在分類器的選擇上，該方法運(yùn)用了極限學(xué)習(xí)機(jī)。為了驗(yàn)證提出方法的有效性，本文做了大量的對比實(shí)驗(yàn)