分层向量自回归的多通道脑电信号的特征提取研究

• 作者: 王金甲 陈春
• 来源期刊: 自动化学报
• 关键词: 脑机接口 脑电信号 分层向量自回归模型 特征提取 近邻梯度
• 年，卷（期）: 2016,（8）
• 页码范围: 1215-1226
• 页数: 12页
• 字数: 9834字
• 语种: 中文
• DOI: 10.16383/j.aas.2016.c150461

摘要

有效的特征提取方法能提高脑机接口(Brain-computer interface, BCI)系统对脑电(Electroencephalogram, EEG)信号的识别率。因脑电信号都是多通道的,本文将分层向量自回归(Hierarchical vector autoregression, HVAR)模型用于脑电信号的特征提取,并结合传统的线性支持向量机(Support vector machine, SVM)用于脑电信号识别。该模型不仅克服了自回归(Autoregression, AR)模型只能用来提取单通道特征的局限性,而且不再采用传统VAR (Vector autoregression)模型所有通道共用一个时滞的处理方法。创新之处在于在传统的VAR 模型基础上添加正则化思想,有效地压缩参数空间,实现合理的分层结构。本文首次将HVAR 模型用于由Keirn等采集并整理的脑电数据中。实验结果证明HVAR 模型在阶数较小的情况下(2阶)与阶数较大(6阶)的AR 模型效果相当,可见低阶的HVAR 能很好地刻画脑电信号的时空关联关系,这说明HVAR可能是刻画EEG信号的一种新颖的方法,这对其他多通道时间序列分析都有借鉴意义。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王金甲	燕山大学信息科学与工程学院	62	399	9.0	18.0
2	陈春	燕山大学信息科学与工程学院	2	21	2.0	2.0