脑-机接口中新的脑电数据分类方法

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

脑-机接口中新的脑电数据分类方法

唐艳, 柳建新, 龚安栋

文章导航 > 电子科技大学学报 > 2009 > 38(6): 1034-1038

唐艳, 柳建新, 龚安栋. 脑-机接口中新的脑电数据分类方法[J]. 电子科技大学学报, 2009, 38(6): 1034-1038. doi: 10.3969/j.issn.1001-0548.2009.06.030

引用本文:

唐艳, 柳建新, 龚安栋. 脑-机接口中新的脑电数据分类方法[J]. 电子科技大学学报, 2009, 38(6): 1034-1038. doi: 10.3969/j.issn.1001-0548.2009.06.030

TANG Yan, LIU Jian-xin, GONG An-dong. New Method of Classifying EEG Signals in Brain-Computer Interfaces[J]. Journal of University of Electronic Science and Technology of China, 2009, 38(6): 1034-1038. doi: 10.3969/j.issn.1001-0548.2009.06.030

Citation:

TANG Yan, LIU Jian-xin, GONG An-dong. New Method of Classifying EEG Signals in Brain-Computer Interfaces[J]. Journal of University of Electronic Science and Technology of China, 2009, 38(6): 1034-1038. doi: 10.3969/j.issn.1001-0548.2009.06.030

脑-机接口中新的脑电数据分类方法

doi: 10.3969/j.issn.1001-0548.2009.06.030

1.
中南大学信息物理学院长沙 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，副教授，主要从事生物信号方面的研究.

中图分类号: R18

New Method of Classifying EEG Signals in Brain-Computer Interfaces

1.
Department of Info-Physics Engineering,Central South University Changsha 410083

摘要: 根据自发脑电的特点，将HMM-AR模型算法运用到脑电状态的分类中，证明它是一种非常有用的分析脑-机接口方法。将Laplacian filter、ICA和HMM-AR方法相结合，用想象左右手运动的BCI数据进行识别，得到了很好的分类结果，有效地区分脑电中运动与非运动两种状态。该算法能够在运动开始后1 s内检验到脑电信号的变化，从而证明了该算法在BCI的实用性，达到了良好的识别效果。
- 脑-机接口 /
- 脑电信号 /
- 隐马尔科夫-自回归算法 /
- 独立成分分量
Abstract: Distinguishing the states of “movement” or “rest” in electroencephalogram (EEG) plays an important role in the domain of brain computer interface (BCI). According to the electroencephalogram feature, Hidden Markov model (HMM)-AR might be a useful tool in EEG pattern classification. The method which jointly employs Laplacian filter, ICA transform, and HMM-AR is presented for EEG pattern classification. The hybrid method is confirmed through the classification of EEG that is recorded during the imagination of a left or right hand movement. The results illustrate the algorithm can availably classify the two brain states of movement and rest. The algorithm for cue movement determination has been designed resulting in detecting the movements within one second interval. it prove the algorithm feasibility in BCI data sets.
- brain-computer interface /
- electroencephalogram /
- hidden Markov AR models /
- independent component analysis

[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]	郜东瑞, 周晖, 冯李逍, 张云霞, 彭茂琴, 张永清. 基于特征融合和粒子群优化算法的运动想象脑电信号识别方法 . 电子科技大学学报, 2021, 50(3): 467-475. doi: 10.12178/1001-0548.2020107
[4]	沈丽丽, 耿小荃. 立体深度运动感知的脑电信号研究 . 电子科技大学学报, 2020, 49(4): 603-608, 621. doi: 10.12178/1001-0548.2019039
[5]	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
[6]	唐贤伦, 刘雨微, 万亚利, 马艺玮. 堆叠稀疏降噪自编码的脑电信号识别 . 电子科技大学学报, 2019, 48(1): 62-67. doi: 10.3969/j.issn.1001-0548.2019.01.011
[7]	赵敏, 赵春临. 心理意识真实性的事件相关同步研究 . 电子科技大学学报, 2019, 48(3): 469-474. doi: 10.3969/j.issn.1001-0548.2019.03.025
[8]	孟凡博, 巩小雪, 郭磊, 张旭. 基于马尔科夫预测的时分复用弹性波带交换算法 . 电子科技大学学报, 2018, 47(4): 486-490. doi: 10.3969/j.issn.1001-0548.2018.04.002
[9]	彭舰, 孙海, 陈瑜, 仝博, 黄飞虎. 基于马尔科夫链的轻轨乘客轨迹预测新算法 . 电子科技大学学报, 2018, 47(5): 720-725. doi: 10.3969/j.issn.1001-0548.2018.05.013
[10]	冯平兴, 魏平. 多类型噪声中的独立成分分离算法 . 电子科技大学学报, 2017, 46(2): 352-356. doi: 10.3969/j.issn.1001-0548.2017.02.006
[11]	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
[12]	袁勤, 黎源, 谭波. 基于似然同步方法的非线性脑电信号分析方法 . 电子科技大学学报, 2015, 44(2): 316-320. doi: 10.3969/j.issn.1001-0548.2015.02.027
[13]	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
[14]	肖毅, 陈善广, 韩东旭, 王春慧. 脑电信号多重粗粒化复杂度分析方法研究 . 电子科技大学学报, 2013, 42(3): 470-474. doi: 10.3969/j.issn.1001-0548.2013.03.029
[15]	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
[16]	尧德中, 刘铁军, 雷旭, 杨平, 徐鹏, 张杨松. 基于脑电的脑-机接口：关键技术和应用前景 . 电子科技大学学报, 2009, 38(5): 550-554. doi: 10.3969/j.issn.1001-0548.2009.05.009
[17]	佘堃, 蒲红梅, 郑方伟, 周明天. 快速单像素多目独立成分设计 . 电子科技大学学报, 2008, 37(3): 421-423,449.
[18]	唐艳, 柳建新, 龚安栋. ICA+CSSD的脑-机接口分类 . 电子科技大学学报, 2008, 37(3): 466-469.
[19]	佘堃, 蒲红梅, 郑方伟, 周明天. 自适应多目独立成分分析 . 电子科技大学学报, 2007, 36(1): 11-13.
[20]	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.

WeChat

点击查看大图

计量

文章访问数: 3455
HTML全文浏览量: 118
PDF下载量: 64
被引次数: 0

脑-机接口中新的脑电数据分类方法

doi: 10.3969/j.issn.1001-0548.2009.06.030

1. 中南大学信息物理学院长沙 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，副教授，主要从事生物信号方面的研究.

收稿日期: 2008-04-16
修回日期: 2009-01-13
刊出日期: 2009-12-15

中图分类号: R18

关键词:

摘要: 根据自发脑电的特点，将HMM-AR模型算法运用到脑电状态的分类中，证明它是一种非常有用的分析脑-机接口方法。将Laplacian filter、ICA和HMM-AR方法相结合，用想象左右手运动的BCI数据进行识别，得到了很好的分类结果，有效地区分脑电中运动与非运动两种状态。该算法能够在运动开始后1 s内检验到脑电信号的变化，从而证明了该算法在BCI的实用性，达到了良好的识别效果。

English Abstract

唐艳, 柳建新, 龚安栋. 脑-机接口中新的脑电数据分类方法[J]. 电子科技大学学报, 2009, 38(6): 1034-1038. doi: 10.3969/j.issn.1001-0548.2009.06.030

引用本文:

唐艳, 柳建新, 龚安栋. 脑-机接口中新的脑电数据分类方法[J]. 电子科技大学学报, 2009, 38(6): 1034-1038. doi: 10.3969/j.issn.1001-0548.2009.06.030

TANG Yan, LIU Jian-xin, GONG An-dong. New Method of Classifying EEG Signals in Brain-Computer Interfaces[J]. Journal of University of Electronic Science and Technology of China, 2009, 38(6): 1034-1038. doi: 10.3969/j.issn.1001-0548.2009.06.030

Citation:

TANG Yan, LIU Jian-xin, GONG An-dong. New Method of Classifying EEG Signals in Brain-Computer Interfaces[J]. Journal of University of Electronic Science and Technology of China, 2009, 38(6): 1034-1038. doi: 10.3969/j.issn.1001-0548.2009.06.030

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