ICA+CSSD的脑-机接口分类

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

ICA+CSSD的脑-机接口分类

唐艳, 柳建新, 龚安栋

文章导航 > 电子科技大学学报 > 2008 > 37(3): 466-469

唐艳, 柳建新, 龚安栋. ICA+CSSD的脑-机接口分类[J]. 电子科技大学学报, 2008, 37(3): 466-469.

引用本文:

唐艳, 柳建新, 龚安栋. ICA+CSSD的脑-机接口分类[J]. 电子科技大学学报, 2008, 37(3): 466-469.

TANG Yan, LIU Jian-xin, GONG An-dong. Classification of Brain-Computer Interfaces Using ICA+CSSD[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(3): 466-469.

Citation:

TANG Yan, LIU Jian-xin, GONG An-dong. Classification of Brain-Computer Interfaces Using ICA+CSSD[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(3): 466-469.

ICA+CSSD的脑-机接口分类

1.
中南大学信息物理学院长沙 410083;
2.
中南大学信息科学与工程学院长沙 410083

基金项目:

湖南省自然科学基金(07JJ6045)

作者简介:
唐艳(1975-),女,博士生,讲师,主要从事生物信号处理方面的研究.

中图分类号: R318

Classification of Brain-Computer Interfaces Using ICA+CSSD

1.
Department of Info-Physics Engineering,Central South University Changsha 410083;
2.
Department of Information Science and Engineering,Central South University Changsha 410083

摘要: 针对复杂的脑电问题,介绍了一种对单次思维脑电信号提取、分类的方法。该方法的主要思想是将独立成分分量和共空域子空间分解方法以及支持向量机学习方法结合起来,用于提取脑电信号特征。该方法分别被用于BCI Competition 2003 Data set IV和BCI Competition Ⅲ Data set I,正确率分别达到了89%和92%。实验证明独立成分分量算法和共空域子空间分解方法能够很好地结合起来进行脑思维的分类,分类正确率很高,是一种快速、稳定可行的分解方法。
- 脑-机接口 /
- 脑电信号 /
- 独立分量分析 /
- 支持向量机
Abstract: Identification and classification technology plays an important part in study of the brain-computer interface (BCI) system. In this paper, an algorithm is presented to deals with the complex brain signals and extract features and classify single-trial electroencephalogram (EEG). The algorithm combines independent component analysis algorithm and common spatial subspace decomposition with support vector machine to extract features from multi-channel EEG and electro cortico gram (ECoG). This algorithm was applied to the results of data analysis show that the proposed method can classify with high accuracy.
- brain-computer interface /
- electroencephalograms /
- independent component analysis (ICA) /
- support vector machine

[1]	袁月婷, 闫光辉, 常文文, 张玉婵. 基于脑电信号空域特征的紧急制动行为识别 . 电子科技大学学报, 2024, 53(1): 84-91. doi: 10.12178/1001-0548.2022380
[2]	常文文, 聂文超, 袁月婷, 闫光辉, 杨志飞, 张冰涛, 张学军. 基于多层脑功能网络特征的动作意图识别 . 电子科技大学学报, 2023, 52(1): 14-22. doi: 10.12178/1001-0548.2022292
[3]	高军峰, 张家琦, 韦思宏, 彭丝雨, 周到. 冰毒成瘾者脑电信号的分类研究 . 电子科技大学学报, 2020, 49(6): 955-960. doi: 10.12178/1001-0548.2020013
[4]	黄一鸣, 雷航, 周瑞, 桑楠. 基于手机传感器的握持方式判断及运动状态识别 . 电子科技大学学报, 2017, 46(2): 399-406. doi: 10.3969/j.issn.1001-0548.2017.02.014
[5]	高军峰, 司慧芳, 于晓琳, 顾凌云. 多导脑电复杂度特征的谎言测试研究 . 电子科技大学学报, 2017, 46(4): 636-640. doi: 10.3969/j.issn.1001-0548.2017.04.026
[6]	张静, 刘忠宝. 基于流形判别分析的全局保序学习机 . 电子科技大学学报, 2015, 44(6): 911-916. doi: 10.3969/j.issn.1001-0548.2015.06.020
[7]	董琪, 秦臻, 胡靓, 庄柳静, 张斌, 王平. 基于脑-机接口和嗅觉解码的仿生气味识别系统 . 电子科技大学学报, 2015, 44(5): 795-799. doi: 10.3969/j.issn.1001-0548.2015.05.026
[8]	高军峰, 张文佳, 杨勇, 胡佳佳, 陶春毅, 官金安. 基于P300和极限学习机的脑电测谎研究 . 电子科技大学学报, 2014, 43(2): 301-306. doi: 10.3969/j.issn.1001-0548.2014.02.028
[9]	刘忠宝. 新型支持向量机在风速预测模型中的应用研究 . 电子科技大学学报, 2014, 43(5): 754-757. doi: 10.3969/j.issn.1001-0548.2014.05.021
[10]	田银, 李沛洋, 徐鹏. 基于AdaBoost的脑机接口分类算法研究 . 电子科技大学学报, 2013, 42(5): 791-793. doi: 10.3969/j.issn.1001-0548.2013.05.029
[11]	张和发, 李立萍. 含噪独立分量分析的期望最大化算法 . 电子科技大学学报, 2012, 41(4): 527-531. doi: 10.3969/j.issn.1001-0548.2012.04.009
[12]	张雪芹, 顾春华, 吴吉义. 异常检测中支持向量机最优模型选择方法 . 电子科技大学学报, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017
[13]	何海江, 陈姝. 由排序支持向量机抽取博客文章的摘要 . 电子科技大学学报, 2010, 39(4): 593-597. doi: 10.3969/j.issn.1001-0548.2010.04.026
[14]	向国齐, 严志坚, 黄大贵. 支持向量机替代模型的遗传优化设计 . 电子科技大学学报, 2009, 38(3): 459-462. doi: 10.3969/j.issn.1001-0548.2009.03.034
[15]	唐艳, 柳建新, 龚安栋. 脑-机接口中新的脑电数据分类方法 . 电子科技大学学报, 2009, 38(6): 1034-1038. doi: 10.3969/j.issn.1001-0548.2009.06.030
[16]	胡丹, 肖建, 车畅. 再生核支持向量机在非线性系统中的应用 . 电子科技大学学报, 2008, 37(1): 124-127.
[17]	徐图, 罗瑜, 何大可. 多类支持向量机的DDoS攻击检测的方法 . 电子科技大学学报, 2008, 37(2): 274-277.
[18]	王勇, 许录平. 独立成分分析和支持向量机的虹膜识别方法 . 电子科技大学学报, 2007, 36(3): 583-586.
[19]	周鸣争, 汪军. 基于支持向量机的传感器非线性误差校正 . 电子科技大学学报, 2006, 35(2): 242-245.
[20]	张智林, 皮亦鸣, 孙志坚. 基于独立分量分析的降噪技术 . 电子科技大学学报, 2005, 34(3): 296-299.

WeChat

点击查看大图

计量

文章访问数: 3416
HTML全文浏览量: 139
PDF下载量: 126
被引次数: 0

ICA+CSSD的脑-机接口分类

1. 中南大学信息物理学院长沙 410083;

2. 中南大学信息科学与工程学院长沙 410083

基金项目:

湖南省自然科学基金(07JJ6045)

作者简介:
唐艳(1975-),女,博士生,讲师,主要从事生物信号处理方面的研究.

收稿日期: 2006-10-08
修回日期: 2008-04-05
刊出日期: 2008-06-15

中图分类号: R318

关键词:

摘要: 针对复杂的脑电问题,介绍了一种对单次思维脑电信号提取、分类的方法。该方法的主要思想是将独立成分分量和共空域子空间分解方法以及支持向量机学习方法结合起来,用于提取脑电信号特征。该方法分别被用于BCI Competition 2003 Data set IV和BCI Competition Ⅲ Data set I,正确率分别达到了89%和92%。实验证明独立成分分量算法和共空域子空间分解方法能够很好地结合起来进行脑思维的分类,分类正确率很高,是一种快速、稳定可行的分解方法。

English Abstract

唐艳, 柳建新, 龚安栋. ICA+CSSD的脑-机接口分类[J]. 电子科技大学学报, 2008, 37(3): 466-469.

引用本文:

唐艳, 柳建新, 龚安栋. ICA+CSSD的脑-机接口分类[J]. 电子科技大学学报, 2008, 37(3): 466-469.

TANG Yan, LIU Jian-xin, GONG An-dong. Classification of Brain-Computer Interfaces Using ICA+CSSD[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(3): 466-469.

Citation:

TANG Yan, LIU Jian-xin, GONG An-dong. Classification of Brain-Computer Interfaces Using ICA+CSSD[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(3): 466-469.

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

期刊在线

编辑办公

友情链接

电子科技大学

版权所有 © 《电子科技大学学报》编辑部

地址: 成都市建设北路二段四号电子科技大学主楼中350室电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

本系统由北京仁和汇智信息技术有限公司开发