文摘针对多通道四类运动想象(Motor imagery,MI)脑电信号(Electroencephalography,EEG)的分类问题,提出免疫多域特征融合的多核学习SVM(Support vector machine)运动想象脑电信号分类算法.首先,通过离散小波变换(Discrete wavelet transform,DWT)提取脑电信号的时频域特征,并利用一对多公共空间模式(One versus the rest common spatial patterns,OVR-CSP)提取脑电信号的空域特征,融合时频空域特征形成特征向量.其次,利用多核学习支持向量机(Multiple kernel learning support vector machine,MKL-SVM)对提取的特征向量进行分类.最后,利用免疫遗传算法(Immune genetic algorithm,IGA)对模型的相关参数进行优化,得到识别率更高的脑电信号分类模型.采用BCI2005desc-Ⅲa数据集进行实验验证,对比结果表明,本文所提出的分类模型有效地解决了传统单域特征提取算法特征单一、信息描述不足的问题,更准确地表达了不同受试者个性化的多域特征,取得了94.21%的识别率,优于使用相同数据集的其他方法.
