基于小波包分解與近似熵的特征提取方法研究及在腦機接口中的應用.pdf

1、腦機接口（brain-computer interface,BCI）技術是在大腦與外部軟硬件設備之間建立的一種溝通和控制通道，該通道可使用戶使用腦信號與外界進行交流溝通或控制外部設備，不需要借助語言或肢體活動，為患者開辟了一條與外界交流的通道，是一種新興的人機交互方式，也是未來人工智能發(fā)展的基礎。在腦機接口系統(tǒng)中，特征提取是最重要的環(huán)節(jié)，影響著整個系統(tǒng)的分類性能。傳統(tǒng)特征提取方法有從時域，頻域，時頻聯(lián)合，空域等對腦電信號分析。由于腦電信

2、號（EEG）是一種產(chǎn)生機理相當復雜且非常微弱的隨機信號，還容易被肌電信號（EMG）、眼電信號（EOG）等外界因素的干擾，都會影響系統(tǒng)的分類正確率。
　　為提高運動想象腦機接口的分類正確率，本文用結合小波包分解與近似熵的方法對腦電信號進行特征提取。該方法利用小波包對腦電信號全頻段進行分解，用近似熵函數(shù)對分解后的結點提取分類特征，然后用稀疏表示對特征向量進行降維，最后使用功率差方法進行分類。實驗中選擇不同的通道數(shù)是為了尋找有效信道，使

3、這些信道可以準確的反映各種運動想象任務或肢體運動特征，并可減少噪聲及不相關信道的干擾，以減少算法復雜度并減輕通信系統(tǒng)負擔，提高腦機接口系統(tǒng)運行效率。
　　實驗結果表明，在使用1秒數(shù)據(jù)進行分類的條件下，該方法在使用兩種不同通道集合時都取得了很好的分類效果。該方法與小波包分解與空域濾波方法和傳統(tǒng)的共空域模式方法相比在不同的信道數(shù)時分類正確率都有所提高。另外，使用的數(shù)據(jù)長度越短，分類識別率越高，表明該方法更適用于較短的數(shù)據(jù)，有利于提高腦