计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2009年
28期
128-130,139
,共4页
固有模态函数%脑电信号%经验模态分解%特征提取%K-近邻分类器
固有模態函數%腦電信號%經驗模態分解%特徵提取%K-近鄰分類器
고유모태함수%뇌전신호%경험모태분해%특정제취%K-근린분류기
提出了一种基于固有模态函数(Intrinsic Mode Function,IMF)能量熵的特征提取方法.对三类脑电思维信号分别进行了经验模态分解(Empirical Mode Decomposition,EMD),并得到与其相对应的IMF.试验发现对于不同类别的信号,同阶的IMF能量的判别熵有明显的不同.而采用K-近邻分类器对三类脑电信号进行了分类,发现基于最佳特征向量选择的分类试验的平均正确识别率达75%以上.
提齣瞭一種基于固有模態函數(Intrinsic Mode Function,IMF)能量熵的特徵提取方法.對三類腦電思維信號分彆進行瞭經驗模態分解(Empirical Mode Decomposition,EMD),併得到與其相對應的IMF.試驗髮現對于不同類彆的信號,同階的IMF能量的判彆熵有明顯的不同.而採用K-近鄰分類器對三類腦電信號進行瞭分類,髮現基于最佳特徵嚮量選擇的分類試驗的平均正確識彆率達75%以上.
제출료일충기우고유모태함수(Intrinsic Mode Function,IMF)능량적적특정제취방법.대삼류뇌전사유신호분별진행료경험모태분해(Empirical Mode Decomposition,EMD),병득도여기상대응적IMF.시험발현대우불동유별적신호,동계적IMF능량적판별적유명현적불동.이채용K-근린분류기대삼류뇌전신호진행료분류,발현기우최가특정향량선택적분류시험적평균정학식별솔체75%이상.
