針對運動想象腦電信號的非線性、非平穩(wěn)特性,提出重疊特征策略與參數優(yōu)化方法.通過重疊頻帶濾波（OFB）進行預處理,在濾波后的信號上提取共同空間模式特征（CSP）.將OFB-CSP特征輸入魯棒支持矩陣機,完成模式識別,在模式識別中通過校正粒子群算法（CPSO）動態(tài)調整被試個體最優(yōu)參數.在兩個公開數據集上進行實驗,分別驗證OFB預處理可提升CSP特征區(qū)分度,CPSO可為個體尋找最優(yōu)的魯棒支持矩陣機分類參數.文中方法提升運動想象識別率,樣本和計算資源需求較小,適合腦機接口的實際應用. 

【文章來源】：模式識別與人工智能. 2020,33(08)北大核心CSCD

【文章頁數】：13 頁

【文章目錄】：
1 重疊特征策略與參數優(yōu)化方法
    1.1 重疊濾波器組預處理
    1.2 共同空間模式特征提取
    1.3 魯棒支持矩陣機模式識別方法
    1.4 參數優(yōu)化
    1.5 本文方法流程圖
2 實驗及結果分析
    2.1 實驗數據集
    2.2 特征提取實驗結果
    2.3 模式識別結果
3 結 束 語


【參考文獻】：
期刊論文
[1]基于深度卷積神經網絡的運動想象分類及其在腦控外骨骼中的應用[J]. 唐智川,張克俊,李超,孫守遷,黃琦,張三元.  計算機學報. 2017(06)
[2]腦機融合系統(tǒng)綜述[J]. 吳朝暉,俞一鵬,潘綱,王躍明.  生命科學. 2014(06)



本文編號：3644157