文档介绍：第 31卷
第 12期仪器仪表学报 V o l
31 N o
12
2010年 12月 Ch inese Journa l o f Sc ientific Instrum ent D ec. 2010
基于小波包熵和支持向量机的运动想象
任务分类研究*
王艳景 1, 乔晓艳 1, 李
鹏 1, 李
刚2
( 1
山西大学电子信息技术系
太原
030006; 2
天津大学生物医学工程系
天津
300072)
摘
要: 对运动想象脑电特征进行准确提取和分类是脑-机接口技术研究的重要问题。针对脑电信号非平稳性和非线性特点,
提出了一种将小波包熵(W PE)和支持向量机( SVM ) 相结合的脑电信号识别方法, 利用小波包系数能量分布分析脑电时频特
性, 结合信息熵分析其不确定性和复杂性, 并从单次实验中提取运动想象脑电特征; 通过支持向量机对特征信号进行分类, 采用
了一种核函数参数 v和误差惩罚因子 c的最佳寻优方法, 并用互信息( M I)、信噪比( SNR )、最小错分率(M R ) 等准则对分类器进
行评判。测试结果为: 想象左右手运动脑电信号识别精度达到 90% , M I为 0. 65 bit, SNR 为 1. 44。结果表明 W PE-SVM 识别方
法能够准确提取脑电本质特征, 具有较强的分类性能和抗干扰能力, 为大脑运动意识任务分类提供了有效方法, 它可以应用于
脑-机接口系统中。
关键词: 脑-机接口; 运动想象; 小波包熵; 支持向量机; 互信息
中图分类号: R 318. 04
T P391. 4
文献标识码: A
国家标准学科分类代码: 510. 8050
520. 2040
520. 6020
C lassification ofm otor imagery task based on wavelet packet
entropy and support vector m achines
W ang Yan jing1, Q iao X iaoyan1, Li Peng1, LiG ang2
(1 E lectronic& Inform ation T echnology D ep artm ent, Shanx i University, T aiyuan 030006, China;
2 B iom edical Eng ineering D epartm ent, T ianjin University, T ianjin 300072, China )
Abstract: urate classification o fEEG-based le ft and right hand m oto r im agery is an im portant issue in -
puter interface. Considering that the e lectroencephalog ram ( EEG ) signal is nonsta tionary and non linear, a new
m ethod for EEG signal recognition based on w ave let packet entropy a