| 免疫多域特征融合的多核学习SVM运动想象脑电信号分类 |
| |
| 引用本文： | 张宪法, 郝矿荣, 陈磊. 免疫多域特征融合的多核学习SVM运动想象脑电信号分类. 自动化学报, 2020, 46(11): 2417-2426 doi: 10.16383/j.aas.c180247 |
| |
| 作者姓名： | 张宪法 郝矿荣 陈磊 |
| |
| 作者单位： | 1.东华大学信息科学与技术学院 上海 201620;;2.东华大学数字化纺织服装技术教育部工程研究中心 上海 201620 |
| |
| 基金项目： | 国家自然科学基金61806051国家自然科学基金61903078上海市扬帆计划17YF1426100上海市自然科学基金19ZR1402300上海市自然科学基金20ZR1400400 |
| |
| 摘 要： | 针对多通道四类运动想象(Motor imagery, MI)脑电信号(Electroencephalography, EEG)的分类问题, 提出免疫多域特征融合的多核学习SVM (Support vector machine)运动想象脑电信号分类算法.首先, 通过离散小波变换(Discrete wavelet transform, DWT)提取脑电信号的时频域特征, 并利用一对多公共空间模式(One versus the rest common spatial patterns, OVR-CSP)提取脑电信号的空域特征, 融合时频空域特征形成特征向量.其次, 利用多核学习支持向量机(Multiple kernel learning support vector machine, MKL-SVM)对提取的特征向量进行分类.最后, 利用免疫遗传算法(Immune genetic algorithm, IGA)对模型的相关参数进行优化, 得到识别率更高的脑电信号分类模型.采用BCI2005desc-Ⅲa数据集进行实验验证, 对比结果表明, 本文所提出的分类模型有效地解决了传统单域特征提取算法特征单一、信息描述不足的问题, 更准确地表达了不同受试者个性化的多域特征, 取得了94.21%的识别率, 优于使用相同数据集的其他方法.
|
| 关 键 词： | 离散小波变换 公共空间模式 多核学习支持向量机 免疫遗传 运动想象 脑电信号 |
| 收稿时间： | 2018-04-24 |
Motor Imagery EEG Classification Based on Immune Multi-domain-feature Fusion and Multiple Kernel Learning SVM |
| |
| Zhang Xian-Fa, Hao Kuang-Rong, Chen Lei. Motor imagery EEG classiflcation based on immune Multidomain-feature fusion and multiple kernel learning SVM. Acta Automatica Sinica, 2020, 46(11): 2417-2426 doi: 10.16383/j.aas.c180247 |
| |
| Authors: | ZHANG Xian-Fa HAO Kuang-Rong CHEN Lei |
| |
| Affiliation: | 1. School of Information Science and Technology, Donghua University, Shanghai 201620;;2. Engineering Research Center of Digitized Textile & Apparel Technology, Ministry of Education, Donghua University, Shanghai 201620 |
| |
| Abstract: | |
| |
| Keywords: | Discrete wavelet transform common spatial patterns multiple kernel learning support vector machine immune genetic algorithm motor imagery electroencephalographyRecommended by Associate Editor DONG Feng > |
|
| 点击此处可从《自动化学报》浏览原始摘要信息 |
|
点击此处可从《自动化学报》下载全文 |
|
