当前位置: 首页 » 论文导航 » 工业技术 » 正文
基于ICA的脑电伪迹去除研究
发布日期:2018-05-23  来源:微电子学与计算机   浏览次数:57
核心提示:摘要:在基于稳态视觉诱发电位(SteadyStateVisualEvokedPotentials,SSVEP)的脑电信号在线分类系统中,实验室中采集到的脑电信号不可避免的含有一些
摘要:在基于稳态视觉诱发电位(Steady State Visual Evoked Potentials,SSVEP)的脑电信号在线分类系统中,实验室中采集到的脑电信号不可避免的含有一些噪声成分,这些噪声成分的存在,将会降低最终的分类准确率。为了提高脑电信号的在线分类准确率,本文首先采用改进后的独立分量分析(Independent Component Analysis,ICA)方法对采集到的多导联运动想象脑电信号进行盲源分离,得到相互独立的源成分,之后滤除伪迹成分,再对处理后的脑电信号进行FFT变换求出能量熵,最后结合支持向量机(Support Vector Machines, SVM)的方法进行分类。研究结果表明去除伪迹干扰可以提高基于SSVEP的脑电信号的在线分类准确率,验证了ICA预处理方法在脑电信号在线分类中的有效性,为实现基于SSVEP的在线BCI控制系统提供了参考。
关键词: 脑电信号;伪迹;稳态视觉诱发电位;独立分量分析;支持向量机
1 引言
脑电信号(EEG)[1]是一种反映人体大脑神经活动的生理信号,它由大量神经元放电产生,含有丰富的生理和病理信息,可以将其应用于脑机接口(BCI)等领域[2]。但EEG信号具有非平稳性,十分微弱(幅值仅为μV量级),极易受到噪声干扰的特点[3],这给我们实现基于SSVEP[4]的脑电信号的在线分类增加了难度。本文的目标就是要找到一种去噪效果好,算法复杂度低的预处理方法。
独立分量[5]分析是近年来发展起来的一种新的盲源分离方法。ICA处理对象为相互统计独立的信源经线性组合而产生的一组混合信号[6]。在生物医学信号采集过程中,通常采用多个传感器记录生理现象[7]。例如,在采集脑电(EEG)信号时,安放在头皮表面的电极距离只有几厘米,这些电极不仅记录了脑内神经元电活动,而且各种干扰信号,也被记录下来[8]。
SVM是根据统计学理论提出的一种机器学习方法,它集成了最大间隔超平面、Mercer核、凸二次规划和松弛变量等技术[9,10]。SVM的基本思想是在特征空间寻找一个最优超平面,可以把两类样本正确分开,而且要求距离超平面最近的不用类样本集之间的间隔最大,这样才能达到最大的泛化能力[11]。
本文设计了基于SSVEP的脑电信号采集实验,并将采集到的脑电数据进行在线分类处理;并提出了“扩展Infomax算法”;利用改进后的ICA算法得出了脑电信号的独立源成分,结合伪迹的相关知识,判断出伪迹成分,并予以去除;结合SVM分类方法,求出了处理前后的脑电信号的分类准确率。结果发现,经过ICA预处理后的脑电信号相比较原始信号的准确率均得到了提高,四位被试的准确率平均提高了9%左右。证明了本文提出的去除伪迹方法的可行性、有效性。
作者:杨善阳
 
 
 
评论详情
 
0条 [查看全部]  相关评论
 
 
 

免责声明:本平台并非任何杂志官网,仅限于整理学术信息以及期刊投稿渠道

 
 
展开