针对脑机接口（BCI）中的特征提取问题,提出了独立分量分析（ICA）和共同空间模式（CSP）结合的方法,实现脑电频域特征的有效提取。首先利用ICA预处理得到去噪后的脑电（EEG）信号,并进行8~30 Hz滤波;然后通过CSP将EEG信号分解为空间模...针对脑机接口（BCI）中的特征提取问题,提出了独立分量分析（ICA）和共同空间模式（CSP）结合的方法,实现脑电频域特征的有效提取。首先利用ICA预处理得到去噪后的脑电（EEG）信号,并进行8~30 Hz滤波;然后通过CSP将EEG信号分解为空间模式,采用谱分析提取事件相关去同步/事件相关同步特征;最后用支持向量机实现运动想象任务的分类。采用BCI Competition 2008-Graz data set B运动想象脑电数据验证上述方法。结果表明,ICA和CSP结合能有效提高信噪比并提取出明显的特征,是分类识别的有效方法。展开更多
文摘针对脑机接口（BCI）中的特征提取问题,提出了独立分量分析（ICA）和共同空间模式（CSP）结合的方法,实现脑电频域特征的有效提取。首先利用ICA预处理得到去噪后的脑电（EEG）信号,并进行8~30 Hz滤波;然后通过CSP将EEG信号分解为空间模式,采用谱分析提取事件相关去同步/事件相关同步特征;最后用支持向量机实现运动想象任务的分类。采用BCI Competition 2008-Graz data set B运动想象脑电数据验证上述方法。结果表明,ICA和CSP结合能有效提高信噪比并提取出明显的特征,是分类识别的有效方法。
