| 微弱脑信号专注度特征提取与识别 |
| |
| 引用本文： | 郇小宁,黄新林.微弱脑信号专注度特征提取与识别[J].科学技术与工程,2015,15(13). |
| |
| 作者姓名： | 郇小宁 黄新林 |
| |
| 作者单位： | 同济大学信息与通信工程系,上海,201804 |
| |
| 基金项目： | 国家自然科学基金;国家自然科学基金项目（61201225），上海市浦江人才计划资助（13PJD030）；上海市科学技术委员会的资助，资助课题编号为12ZR1450800；同济大学青年优秀人才培养行动计划资助（2013KJ007）；中央高校基本科研业务费专项资金资助（20140767）； 上海市教育委员会和上海市教育发展基金会“晨光计划”资助(13CG18)。 |
| |
| 摘 要： | 目前基于脑机接口的脑电信号研究得到越来越广泛的关注,然而传统脑电信号采集需要使用电极帽并涂抹胶泥膏而不被大多数用户所接受。因此,将研究使用无需涂抹胶泥膏的独立电极采集脑电信号,然而使用独立电极采集脑电信号容易出现干扰大、信号不稳定等缺陷。为了快速有效提取脑电信号特征并克服独立电极采集脑电信号的缺陷,将采用低通滤波方法进行工频干扰的滤除,利用独立成分分析(ICA)实现脑电信号中的眼电伪迹分离,并在此基础上通过设置水平眼电和垂直眼电阈值以及各个独立成分在脑部位置的空间分布特性实现眼电伪迹的识别。最后,分别利用β波能量以及样本熵来衡量人脑专注度的高低,仿真结果表明两者均与专注度成正相关,实验以Neuro Sky专注度为基准,将两种算法分别与其进行对照。此外,样本熵与Neuro Sky算法的相关度比β波能量法提高了26%,说明样本熵专注度提取算法更能精确跟踪人脑注意力的变化,对脑电信号专注度的衡量与实际更加吻合。
|
| 关 键 词： | 微弱信号 脑电信号 独立成分分析(ICA) β波能量 样本熵 相关系数 |
| 收稿时间： | 2014/12/28 0:00:00 |
| 修稿时间： | 2015/4/13 0:00:00 |
The Feature Extraction and Recognition of Weak Attention EEG Signals |
| |
| Xiaoning Huan and.The Feature Extraction and Recognition of Weak Attention EEG Signals[J].Science Technology and Engineering,2015,15(13). |
| |
| Authors: | Xiaoning Huan and |
| |
| Abstract: | |
| |
| Keywords: | weak signals brain signals ICA energy of β-band entropy of samples correlation coefficient |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
| 点击此处可从《科学技术与工程》浏览原始摘要信息 |
| 点击此处可从《科学技术与工程》下载免费的PDF全文 |
|
