特征提取对通道选择方法的影响研究

作者：张绍荣; 赵紫宁; 莫云; 莫禾胜; 李智

来源：国外电子测量技术, 2020, 39(09): 1-6.

DOI：10.19652/j.cnki.femt.2002195

• EEG信号
• 特征提取
• 通道选择
• 融合特征

通道选择可以有效地去除冗余信息,减少特征维数,避免维数灾难和过拟合,因此在运动想象脑电(EEG)信号解码中非常重要。现有的文献主要研究通道选择方法的改进,忽略了不同特征对通道选择方法的影响。主要研究特征提取对通道选择方法的影响。首先,对预处理之后的EEG信号提取方差、自回归(AR)系数、带通功率和小波包能量4种特征,研究单一特征中哪个特征对通道选择方法最有效。另外,计算4种特征的融合特征,研究单一特征和融合特征哪个对通道选择最有效。采用一个公开的脑机接口(BCI)竞赛数据集进行实验,研究不同特征提取方法在Fisher判别准则(FDC)、基于支持向量机的递归通道剔除(SVM-RCE)、最小绝对值收缩和选择算子(LASSO)和组LASSO(gLASSO)4种通道选择方法中的分类结果。实验结果表明,在单一特征中,小波包能量获得了较好的分类结果,其中在SVM-RCE通道选择方法中获得了76.15%的最高平均分类准确率。融合特征的分类结果均优于单一特征,其中在gLASSO通道选择方法中获得了78.6%的最高平均分类准确率。融合特征更能表征复杂的脑电成分,形成信息互补,对脑电任务的分类识别更有效。

• 单位
  桂林电子科技大学; 自动化学院; 桂林航天工业学院