基于小波包和深度信念网络的脑电特征提取方法

• 作者: 孙炎珺 张梦 李明爱
• 来源期刊: 电子测量与仪器学报
• 学科: 工学
• 关键词: 运动想象脑电信号 深度信念网络 小波包变换 Softmax分类器 Dropout
• 年，卷（期）: 2018,（1）
• 所属期刊栏目: 学术论文
• 页码范围: 111-118
• 页数: 8页
• 分类号: TH79
• 语种: 中文
• DOI: 10.13382/j.jemi.2018.01.015

摘要

针对运动想象脑电信号(motor imagery electroencephalography,MI-EEG)的时变性、个体差异性等特点,提出一种将小波包变换(wavelet packet transform,WPT)与深度信念网络(deep belief networks,DBN)相结合的脑电特征自动提取方法,记为WD法.首先,利用平均功率谱方法对MI-EEG进行时域分析,选取有效的时序段.其次,使用WPT对有效时域段的各导MI-EEG进行时频分解,并选取与想象任务相关的频段信息重构脑电信号;然后,将各导重构MI-EEG串接,并将其瞬时功率信号输入给DBN模型实现特征自动提取.最后,利用Softmax分类器完成脑电想象任务的模式分类.在DBN模型训练中通过增加Dropout训练技巧来解决因训练数据少等引起的过拟合问题,以提高分类结果.利用BCI标准竞赛数据库进行实验研究,5-折交叉验证法取得了94.06％的分类准确率,证明该方法能够充分利用脑电的神经生理学特点,自适应地提取个性化的深层脑电特征,有利于改善分类效果.