运动想象脑信号的深度置信网络分类优化

关于脑机接口（BCI）系统中的运动想象（MI）脑信号的特征提取一直是一个难题。相较于SSVEP、AEP和P300等其他BCI模式，MI的分类准确率相对较低，缺乏有效的识别方案。本文提出了一种结合深度置信网络（Deep Belief Network,DBN）和麻雀搜索算法（Sparrow search algorithm,SSA）的特征提取和分类识别算法SSA-DBN。融合SSA与DBN的优势，可以在保持较低计算复杂度的同时，提高特征提取和分类识别的准确率。本研究首先利用完全自适应噪声集合经验模态分解（CEEMDAN）方法提取信号的固有模态函数（IMF）特征。然后，将筛选出的适合分类识别的IMF分量与希尔伯特黄变换（HHT）方法相结合，提取出不同导联时频信号的特征空间向量，并进行叠加平均。最后，将特征向量输入到SSA-DBN算法进行分类处理。为确保公平性，在验证算法性能时，选取了具有代表性的BCI Competition IV Dataset 2a数据集，同时对比了其他算法的表现，并详细说明了调参方法。为了避免过拟合问题，可以考虑使用更大规模的数据集进行测试，如PhysioNet或BCI...