数据采集与处理
數據採集與處理
수거채집여처리
JOURNAL OF DATA ACQUISITION & PROCESSING
2014年
5期
683-687
,共5页
余炜%周娅%马晶晶%万代立%刘伦%张灿斌
餘煒%週婭%馬晶晶%萬代立%劉倫%張燦斌
여위%주아%마정정%만대립%류륜%장찬빈
经验模式分解%学习向量量化神经网络%脑-机接口%脑电信号
經驗模式分解%學習嚮量量化神經網絡%腦-機接口%腦電信號
경험모식분해%학습향량양화신경망락%뇌-궤접구%뇌전신호
empirical mode decomposition(EMD)%learning vector quantization(LVQ) neural network%Brain-computer interface(BCI)%electroencephalogram(EEG)
针对非平稳、非线性、微弱信号难以分析和处理的特点,本文提出了一种基于经验模式分解和学习向量量化神经网络的信号处理和分类方法,并在生物信号处理领域(左、右手运动想象的脑电信号)进行了研究和应用.首先通过经验模式分解算法对脑电信号分解,然后选取主要固有模态函数分量并计算其绝对均值作为特征值,最后使用学习向量量化网络进行分类,并分别与支持向量机和误差反向传播神经网络分类算法进行了对比研究.实验结果表明,所提出的算法分类正确率达到了87％,相比于其余两种对比算法在特定的信号处理领域优越,具有一定的参考和研究价值.
針對非平穩、非線性、微弱信號難以分析和處理的特點,本文提齣瞭一種基于經驗模式分解和學習嚮量量化神經網絡的信號處理和分類方法,併在生物信號處理領域(左、右手運動想象的腦電信號)進行瞭研究和應用.首先通過經驗模式分解算法對腦電信號分解,然後選取主要固有模態函數分量併計算其絕對均值作為特徵值,最後使用學習嚮量量化網絡進行分類,併分彆與支持嚮量機和誤差反嚮傳播神經網絡分類算法進行瞭對比研究.實驗結果錶明,所提齣的算法分類正確率達到瞭87％,相比于其餘兩種對比算法在特定的信號處理領域優越,具有一定的參攷和研究價值.
침대비평은、비선성、미약신호난이분석화처리적특점,본문제출료일충기우경험모식분해화학습향량양화신경망락적신호처리화분류방법,병재생물신호처리영역(좌、우수운동상상적뇌전신호)진행료연구화응용.수선통과경험모식분해산법대뇌전신호분해,연후선취주요고유모태함수분량병계산기절대균치작위특정치,최후사용학습향량양화망락진행분류,병분별여지지향량궤화오차반향전파신경망락분류산법진행료대비연구.실험결과표명,소제출적산법분류정학솔체도료87％,상비우기여량충대비산법재특정적신호처리영역우월,구유일정적삼고화연구개치.
