中国生物医学工程学报
中國生物醫學工程學報
중국생물의학공정학보
CHINESE JOURNAL OF BIOMEDICAL ENGINEERING
2014年
6期
666-672
,共7页
吴俊%杨雅%俞祝良%顾正晖%李远清
吳俊%楊雅%俞祝良%顧正暉%李遠清
오준%양아%유축량%고정휘%리원청
运动想象%脑机接口%马尔科夫切换%AR模型%信号分类
運動想象%腦機接口%馬爾科伕切換%AR模型%信號分類
운동상상%뇌궤접구%마이과부절환%AR모형%신호분류
motor imagery%brain computer interface (BCI)%Markov switching processes%AR model%signal classification
隐马尔科夫模型(HMM)在脑机接口(BCI)领域中已经得到很好的应用,尤其是在运动想象(MI)信号的分类中.但是,很多传统的方法只是利用隐马尔科夫模型描述信号的动态特性,再根据观测数据求得模型参数,然后进行信号分类.由于脑电信号低信噪比、高维数和状态复杂的特点,在研究中先用分层Dirichlet过程(HDP)描述MI信号,利用HDP自聚类特性,然后使用AR模型描述MI信号的时间特性,最后结合马尔科夫切换过程(MSP)描述MI信号的动态特性,以此来充分地描述MI信号.随后对实验室采集的数据和2003年BCI国际大赛的部分数据,使用HDP-AR-HMM模型对MI信号分类,获得很好的分类效果,准确率分别是99.00％、92.00％和72.46％.实验结果表明,所提出的方法可以取得更好的运动想象信号分类.
隱馬爾科伕模型(HMM)在腦機接口(BCI)領域中已經得到很好的應用,尤其是在運動想象(MI)信號的分類中.但是,很多傳統的方法隻是利用隱馬爾科伕模型描述信號的動態特性,再根據觀測數據求得模型參數,然後進行信號分類.由于腦電信號低信譟比、高維數和狀態複雜的特點,在研究中先用分層Dirichlet過程(HDP)描述MI信號,利用HDP自聚類特性,然後使用AR模型描述MI信號的時間特性,最後結閤馬爾科伕切換過程(MSP)描述MI信號的動態特性,以此來充分地描述MI信號.隨後對實驗室採集的數據和2003年BCI國際大賽的部分數據,使用HDP-AR-HMM模型對MI信號分類,穫得很好的分類效果,準確率分彆是99.00％、92.00％和72.46％.實驗結果錶明,所提齣的方法可以取得更好的運動想象信號分類.
은마이과부모형(HMM)재뇌궤접구(BCI)영역중이경득도흔호적응용,우기시재운동상상(MI)신호적분류중.단시,흔다전통적방법지시이용은마이과부모형묘술신호적동태특성,재근거관측수거구득모형삼수,연후진행신호분류.유우뇌전신호저신조비、고유수화상태복잡적특점,재연구중선용분층Dirichlet과정(HDP)묘술MI신호,이용HDP자취류특성,연후사용AR모형묘술MI신호적시간특성,최후결합마이과부절환과정(MSP)묘술MI신호적동태특성,이차래충분지묘술MI신호.수후대실험실채집적수거화2003년BCI국제대새적부분수거,사용HDP-AR-HMM모형대MI신호분류,획득흔호적분류효과,준학솔분별시99.00％、92.00％화72.46％.실험결과표명,소제출적방법가이취득경호적운동상상신호분류.
