摘要:
针对脑电信号存在个体差异性并易受噪声、伪迹干扰的特点,提出一种基于独立成分分析ICA的优选特征通道算法。采用ICA将通道的数据分解为N200、P300、眼电伪迹以及其他生理信号,根据这些信号对每个通道的影响程度,判定各通道是否适合进行特征提取。分别采用本方法和三种常用方法对12个被试的脑电数据进行特征通道选择,并进行N200和P300电位的辨识,经比对发现,本文方法取得了93.10%的平均分类准确率,比其他三种方法下的准确率分别高出7.27%、1.07%和75.96%。为预测任意被试的最优通道,采用最小二乘法对ICA权值和通道选择阈值之间的关系进行拟合,对三个新被试进行最优通道预测和电位的辨识,得到较高的分类准确率,说明此预测方法具有一定普适性。
李文轩1,李伟2,李梦凡1,刘成用1. 基于独立成分分析的优选N200和P300特征通道算法[J]. 计算机工程与科学.
LI Wen-xuan1,LI Wei2,LI Meng-fan1,LIU Cheng-yong1.
Independent component analysis-based channel selection
for high-accuracy classification of N200 and P300
[J]. Computer Engineering & Science.