欢迎来到天天文库
浏览记录
ID:56220314
大小:329.66 KB
页数:5页
时间:2020-06-21
《基于贝叶斯网络的运动想象脑电信号分析.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、第40卷第7期计算机工程2014年7月Vb1.40NO.7ComputerEngineeringJuly2014·人工智能及识别技术·文章编号:1000—3428(2014)07—0128—05文献标识码:A中图分类号:TP18基于贝叶斯网络的运动想象脑电信号分析刘斌,罗聪,魏梦然,何良华(同济大学计算机科学与技术系,上海201804)摘要:传统运动想象脑电信号判别分析方法存在提取特征数量多、不能反映脑电信号本质特征等问题。为此,提出一种基于贝叶斯网络结构的直观判别分析方法,用于描述进行左右手运动想象时各个导联脑电信号所组成网络的结构差异。在结构学习中引入各个导联的位置信息,利用连续高斯分
2、布对其进行描述,以充分反映脑电信号的高时间、空间分布特征,实现对左右手运动想象脑电信号的网络建模。分别在国际脑电比赛数据集及实验室采集的数据集上进行实验,结果表明,该方法能准确反映各个导联脑电信号的特征及导联之间的关联情况,与PCA+fisherscore方法相比,具有较高的识别率和稳定性。关键词:脑电信号;运动想象;贝叶斯网络;结构学习;导联位置;高斯分布MotorImageryEEGSignalAnalysisBased0nBayesianNetworkLIUBin,LUOCong,WEIMeng-ran,HELiang-hua(DepartmentofComputerSciencea
3、ndTechnology,TongjiUniversity,Shanghai201804,China)【Abstract】Inordertosolvetheproblemssuchashugeamountsoffeatures,unabletoreflectthedistributionofE1ectroencepha1ography(EEG)signalinthetraditionalmethodsofEEGfeatureextraction,anewmethodbasedonBayesiannetworkformotorimageryEEGdiscriminantanalysisisp
4、roposed,whichintuitivelyshowsthedifferencesinthenetworkstructuremadeupofchannelsintheleftandrighthandmotorimagery.Byapplyingtheinformationofchannelpositionintostructurelearning,usingcontinuousGaussiandistributiontomodelthenodes,andmakingfulluseofthehightimespatialdistributioncharacteristicsofEEGsi
5、gnals,itrealizesmodelingthenetworkstructureofleftandrighthandmotorimageryEEGsigna1.Experimentalresultsshowthattheproposedmethodcaneffectivelyreflecttherelationshipbetweenchanels,andithashigherrecognitionrateandstabilitycomparedwithPCA+fisherscoremethod.【KeywordslElectroencephalography(EEG)signal;m
6、otorimagery;Bayesiannetwork;structurelearning;channelposition;GaussiandistributionDOI:10.3969/j.issn.1000—3428.2014.07.027分析模型进行判别分析。在一定的条件下这些方法取得了很好的结果,不足之处在于很少考虑到脑电信号的特点,自1929年德国精神病学专家HansBerger发现并记录人即时间空间分布特征显著,因此,本文提出了基于贝叶斯的脑电信号以来,国内外的专家学者对脑电信号进行了大网络的判别分析思想,通过图模型的空间逻辑结构模拟导量的研究,取得了显著的效果。近年来随着科学
7、技术的发联的空间位置,各节点的分布建模模拟导联的时间特征。展,尤其是随着脑机接I:1(BrainComputerInterface,BCI)技贝叶斯网络是一种表示变量间概率分布的图形模型,术的出现,使得对运动想象脑电信号的研究成为一个新的它充分综合了先验知识以及数据分布特征,并以图论方法研究热点。准确地描述出变量之间的因果关系l6_]。目前贝叶斯网络在针对脑电信号的处理分析尤其是对运动想象脑电信号脑电方面的应用主要是做特
此文档下载收益归作者所有