基于AR模型的脑电信号特征提取与识别

《基于AR模型的脑电信号特征提取与识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要脑一机接口因其广阔的应用价值和前景成为近年来脑科学、康复工程、自动控制、军事领域和生物医学工程等领域的热门研究课题。脑电信号的处理过程是研究过程中的重点和难点。本文将脑电信号中事件去同步化／相同步化现象作为特征信息，深入讨论了基于AR模型的自适应算法(AAR)和多变量参数AAR模型算法(MVAAR)在脑电信号特征提取中的应用。介绍多种对模型系数进行估计的方法，采用卡尔曼滤波方法和快速QR分解分别对AAR、MVAAR模型进行系数估计，以最大化显现脑电信号中的特征信息。采用线性分析、基于马氏距离分类和留一法三种分类器分别进行任务识别。引入了

2、互信息，kappa值，ROC曲线下面积值的概念对分类效果进行性能评价。从实验结果上看，MVAAR算法比AAR算法达到了更高的分类正确率。AAR模型很好地描述了EEG信号的非平稳随机特征，MVAAR算法识别法主观性较小，阶次一般选取也比较低，数据仿真吻合度高，实现多导联数据的输入，具有更强的通用性。传统的线性分类、基于马氏距离的二次分类，留一法分类都达到了很好的效果，但也各有优缺点。LDA和MDA算法都是只由数据的均值和协方差决定的，当两类的协方差矩阵差别较大时，LDA方法则会表现出较大的偏差，而MDA方法则会表现出较好的结果。留一法的原理简

3、单，容易实现，但如果当实验数据庞大时，计算量和计算时间将会是我们必须考虑的问题。不同对象因为个体的区别和测试反馈时间段的不同，对其使用同一组算法分类得到的效果也有差异。关键词：BCI，脑电信号，AAR算法，MVAAR算法，任务分类ABSTRACTBrain—computerinterface(BeDhaswideprospectsforbrainscience，rehabilitationengineering，automaticcontrol，militaryandbiomedicalengineeringinrecentyears．It

4、becomesthehotresearchtopicinmanyareas．SignalprocessingofEEGisimportantanddifficult．ThepaperdiscussthemethodsbasedontheARmodelofadaptivealgorithmandmulti-variableAARmodelalgorithmtoextractfeatureinformationwhichiSrelatedwithERD／ERSinEEGMethodstoestimatecoefficientsofthemode

5、lareintroduced．TheP印eradoptskalmanfilteringandQRdecompositiontoestimatethecoefficientsofAARandMVAARmodelsrespectivelytomaximizetherealinformationofEEGThreewaysaslinearanalysis(LDA)，classificationbasedontheMahalanobisdistance(MDA)andthemethodnamed“leave．one．trialout'’areuse

6、dtoclassifydifferenttasks．Theconc印tsasmutualinformation．kappacoe伍cient，andvaluesofareaundertheRoCcurve(AUC)areintroducedtoestimatetheperformanceofclassification．Fromtheresults，wecanseeMVAARalgorithmmadehigheraccuracythanAAR．Ⅳ【VAARalgorithmreachedthehighercorrectratethanAAR

7、algorithm．AARmodeldescribenon-stationaryfeaturesofEEGverywell．MV撇algorithmwhichordersarerelatively10Wneedlesssubjectivitybuthashighsimulation．Itrealizesmulti-channeldatainputandiSmorepractical．ThetraditionalLDA，MDAand“leave．one．trialout"alsoreachedgoodresults．AlthoughLDAan

8、dMDAalgorithmsaredependonthemeanandcovarianceofthedata，whenthecovarianceoftwotypesisgreat