首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到10条相似文献,搜索用时 15 毫秒
1.
利用小波分解和支持向量机的心理意识真实性识别研究   总被引:3,自引:0,他引:3  
采用小波分解和支持向量机(SVM)技术,提出了一种对说谎脑电(EEG)信号特征进行分类的方法,将其应用于心理意识真实性的检测,获得了满意的结果.以真伪已明确的有意义的个人信息(如姓名、生日)作为被测试的隐藏信息,应用隐藏信息(CIT)测试模式对15名受试者各进行两组测试,并记录其脑电(EEG)信号.提取了探测刺激和无关刺激诱发EEG信号的小波系数,并应用具有统计学意义的特征参数作为SVM分类器的输入进行识别分类.实验结果显示,应用leave-one-out交叉验证法对30组样本数据进行训练测试,获得平均正确识别率为88.3%.因此,该方法可以作为一种心理意识真实性检测的新方法,具有无创、较高正确检测率等优点.  相似文献   

2.
在对EEG信号进行深入分析的基础上,将小波、分形和统计三种方法相结合,提出一种多方法融合的EEG信号分类特征提取方法.应用小波对EEG信号去噪,并对去噪重构后的EEG信号进行分解,提取各尺度空间上的平均高频系数作为第一部分EEG分类特征,在多尺度下对去噪重构后EEG信号进行多重分形分析,依据EEG数据的特点和分类的需要,提取相关多重分形谱参数作为第二部分EEG分类特征;根据EEG信号的特点,提取相关统计特征作为第三部分EEG分类特征;针对上述提取特征,使用BP神经网络作为分类器,结合EEG信号的自身特点和分类结果,选择确定最终的EEG分类特征,完成了EEG信号的分类.并通过比较说明了本文方法的优势,提高了EEG分类的精度.  相似文献   

3.
提出了脑控虚拟键盘上按钮的编码以每个按钮中靶标出现的时间次序安排,搜索出靶信号出现的位置就能探测受试者的选择.以基于最小误判准则的贝叶斯分类器,对靶及非靶两类刺激信号进行分类训练,分别在通道和时段选择上进行了特征提取研究,得到识别率最高的5个通道中最佳时段的训练参数.利用训练了的分类器,对受试者每次按钮选择所记录到的EEG信号中可能出现靶刺激的位置进行搜索,来判断受试者所选择的按钮.结果表明:最佳通道P 8获得了72.50%的平均正确识别率,该结果为构建一个实时的脑控拼写装置打下了基础.  相似文献   

4.
通过对脑-计算机接口中通信信号进行频谱分析,发现了靶刺激信号与非靶刺激信号的频谱在10Hz以下的低频段有较大的不同,采用Daubechies小波和Mallat算法对脑电信号进行多尺度分解,对高频分解系数简单置零、低频系数引入连续阈值函数进行滤波,使白噪信号在一定程度上得以滤除,靶刺激信号更加突出,提高了后续模式分类的正确率.  相似文献   

5.
模式分类是基于脑电图(EEG)的脑-机接口(BCI)研究的重要环节之一.针对不同的BCI任务,所采用的分类特征和分类算法也不同.其中,运动相关电位(MRPs)现象是BCI想象肢体运动分类算法中的所用到的重要分类特征.针对BCI研究中的采集EEG数据分布复杂,和训练样本不足重要问题,本文提出一种新的MRPs特征提取方法—邻域空间模式 (NSP),利用邻域关系和类别信息,有效提取了分类性能更强的MRPs特征.最后的实验结果证明了NSP算法能更有效提取分类特征.  相似文献   

6.
采用"模拟阅读"视觉诱发事件相关脑电位的实验模式进行了脑-机接口实验,记录受试者在靶标和非靶标刺激下的脑电信号并进行了模式分类.首先对原始的脑电信号进行预处理、提取最优特征,然后利用核Fisher准则对采集到的脑电信号进行分类.为了验证这种方法的有效性,同时还对信号进行了感知准则和Fisher准则的分类.对5名受试者测试的结果表明:核Fisher准则分类器的正确率分别为92.98%,88.85%,76.32%,78.33%和95.52%,分别高出Fisher准则、感知准则约20%、10%,表明核Fisher准则对含有非线性可分的脑电信号的分类效果比单纯的线性方法更为优越.  相似文献   

7.
脑-机接口是一种变革传统人机交互的技术,其中情绪脑-机接口是一类重要的脑-机交互,可望为情绪的调节、监测或评估提供定量方法,有潜在的重要应用价值,然而情绪相关的脑信号特征提取与识别尚未彻底解决,面临许多挑战.为了探索有效的情绪相关脑电(Electroencephalogram,EEG)特征提取和分类方法,采用国际情绪图片系统(International Affective Picture System,IAPS)提供的情绪图片诱发情绪,在情绪诱发期间采集13个被试的脑电EEG信号;采用独立成分分析(Independent Component Analysis,ICA)等方法预处理EEG后,分别采用在时域、频域同时具有较高分辨率的希尔伯特-黄变换(Hilbert-Huang Transform,HHT)和对不同状态反应敏感的自回归(Auto Regressive,AR)模型提取情绪相关的EEG特征;采用支持向量机(Support Vector Machine,SVM)对其可用的四种核函数进行选择,也利用K-近邻(KNearest Neighbor,KNN)对两类情绪进行识别.结果显示,采用HHT提取特征并利用高斯径向基函数(Radial Basis Function,RBF)核的SVM取得的平均、最高和最低分类精度分别为90.57%±4.13%,96%和88%;采用AR模型提取特征并利用高斯RBF核的SVM取得的平均、最高和最低分类精度分别为88.43%±2.98%,92%和86%.表明HHT能有效地提取情绪相关EEG特征,采用高斯RBF核的SVM可以获得较好的识别结果,可望为基于EEG利用HHT和高斯RBF核的SVM在线识别情绪提供思路.  相似文献   

8.
基于脑电特征的多模式想象动作识别   总被引:2,自引:0,他引:2  
对不同部位肢体想象动作诱发的脑电特征进行辨识,并提取出对应的思维信息,这是实现脑-机交互的经典方法之一,传统的左、右手双想象动作诱发模式下信息转化效率较低,引入多个肢体部位想象动作的多模式转化方法可望改善这一缺点.采用二维时频分析结合Fisher分析的方法,从典型受试者的多模式想象动作脑电信号中提取出有利于分类识别的事件相关去同步化和同步化特征信息,再使用支持向量机建立双层分类器对多模式想象动作进行分类识别.本方法对于4种不同肢体部位的识别可以达到较高的正确率(85.71%).结果表明,多模式想象动作的诱发脑电特征信息具有明显的空间特异性,可以用于脑-机交互思维任务的识别和提取,值得进一步研究.  相似文献   

9.
为有效识别与运动想像相关的脑电模式,提出基于支持向量机(SVM)的运动意识分类新算法,利用sym2小波基函数对脑电(EEG)信号进行6尺度分解后,从每级分解中提取绝对值最大的小波系数作为信号特征,构成有效特征向量输入SVM分类器,实现基于EEG的运动想像模式识别.实验数据采用脑机接口竞赛(2003)的脑电数据,实验结果表明采用径向基核函数的SVM分类器可有效地对EEG进行运动想像分类,具有良好的泛化推广能力,为脑机接口的运动意识分类提供了新思路.  相似文献   

10.
脑电图(Electroencephalography,EEG)可记录来自大脑皮层的电信息,反映了脑活动中神经细胞放电产生的电场变化情况. EEG的空间信息和时间信息对于运动想象脑电(Motor Imagery Electroencephalogram,MI-EEG)解码分类模型学习判别特征至关重要,但过度依赖预处理和手工特征提取,导致对EEG数据进行信号分类较为困难.尽管深度学习已经在很多领域实现了自动特征提取,但脑电图的深度学习尚未完成.提出基于FBCSP (Filter Bank Common Spatial Patterns)和Transformer模型的时空特征学习的运动想象脑电解码方法 .针对FBCSP滤波的脑电信号,依次通过空间维度和时间维度上的注意力转换来获取空间和时间特征,然后通过Softmax函数对不同类别的EEG数据进行分类.实验结果表明,在BCI竞赛数据集IV-2a上,该方法的分类准确率可达84.16%,为MI脑电信号分类提供了新思路.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号