一种基于参数优化C-SVM的脑电信号分类方法及应用

• 作者: 刘毅坚 张毅 罗元
• 来源期刊: 重庆邮电大学学报（自然科学版）
• 学科: 医学
• 关键词: 支持向量机(SVM) 脑电信号(EEG) 参数估计 交叉检验 LOO误差上界
• 年，卷（期）: 2014,（1）
• 所属期刊栏目: 计算机与自动化
• 页码范围: 131-136
• 页数: 6页
• 分类号: TP18|R318
• 字数: 3544字
• 语种: 中文
• DOI: 10.3979/j.issn.1673-825X.2014.01.022

摘要

脑电信号(electroencephalograph,EEG)由于自身信号微弱且容易受到周边环境和大脑内部其他活动的影响,对其进行特征分类并提高分类准确率这一问题一直是脑机接口领域的难点.传统的基于支持向量机(support vector machines,SVM)的脑电信号特征分类方法在选取惩罚参数与核函数参数时大都只是采用经验数据,而忽略了参数优化对提升SVM分类效果重要性,而现有的参数优化方法计算复杂严重影响了分类效率.针对以上问题,提出了一种通过交叉检验和LOO误差上界对C-SVM中的惩罚参数C和核函数参数进行优化的方法,并在理论分析的基础上结合实验证明了参数优化后的分类方法能够有效提高脑电信号分类的准确率且对分类效率影响不大.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	罗元	重庆邮电大学智能系统及智能机器人研究所	192	1681	17.0	31.0
2	张毅	重庆邮电大学智能系统及智能机器人研究所	281	2390	21.0	36.0
3	刘毅坚	重庆邮电大学智能系统及智能机器人研究所	1	7	1.0	1.0