计算机工程
計算機工程
계산궤공정
COMPUTER ENGINEERING
2015年
5期
290-294
,共5页
脑电信号%脑机接口%特征选择%散度%共空域模式%线性判别分类器
腦電信號%腦機接口%特徵選擇%散度%共空域模式%線性判彆分類器
뇌전신호%뇌궤접구%특정선택%산도%공공역모식%선성판별분류기
Electroencephalogram (EEG)%Brain-computer Interface (BCI)%feature selection%divergence%Common Spatial Pattern(CSP)%linear discriminant classifier
为准确选择脑电信号的频率与通道参数，提高样本的分类识别率，提出一种基于散度的脑电信号特征选择方法。利用散度分析算法从样本数据的原始特征中选取散度值较大的k个特征，并对其进行基于共空间模型的特征提取与线性判别分类器的分类识别。使用2005年BCI竞赛提供的IVa数据集5位样本数据进行实验，结果表明，采用散度分析算法得到的测试样本与训练样本平均识别率为95.54%和84.57%，均高于相关系数和互信息选择算法。
為準確選擇腦電信號的頻率與通道參數，提高樣本的分類識彆率，提齣一種基于散度的腦電信號特徵選擇方法。利用散度分析算法從樣本數據的原始特徵中選取散度值較大的k箇特徵，併對其進行基于共空間模型的特徵提取與線性判彆分類器的分類識彆。使用2005年BCI競賽提供的IVa數據集5位樣本數據進行實驗，結果錶明，採用散度分析算法得到的測試樣本與訓練樣本平均識彆率為95.54%和84.57%，均高于相關繫數和互信息選擇算法。
위준학선택뇌전신호적빈솔여통도삼수，제고양본적분류식별솔，제출일충기우산도적뇌전신호특정선택방법。이용산도분석산법종양본수거적원시특정중선취산도치교대적k개특정，병대기진행기우공공간모형적특정제취여선성판별분류기적분류식별。사용2005년BCI경새제공적IVa수거집5위양본수거진행실험，결과표명，채용산도분석산법득도적측시양본여훈련양본평균식별솔위95.54%화84.57%，균고우상관계수화호신식선택산법。
In order to select the effective frequency and electrodes components, this paper promotes an Electroencephalogram( EEG) feature selection method based on divergence analysis to improve classification accuracy. Throughout the five tested samples from Brain-computer Interface ( BCI ) Competition III dataset IVa, it utilizes divergence analysis algorithms to select the maximum value of the k-space from the original data features, then uses feature extraction based on Common Spatial Pattern ( CSP ) aimed at this k-space feature and classifies by Linear Discriminant Analysis( LDA) . The experiment identification that the average rate of classification accuracy can obtained is 95. 54% under training pattern, while reached 84. 57% under test pattern, higher than the selection algorithm of correlation coefficient and mutual information.
