基于PCA融合PSO-SVM的运动想象脑电信号分类方法

• 作者: 黄旭彬 梁树杰
• 来源期刊: 计算机与现代化
• 关键词: 脑机接口 主成分分析 粒子群优化 支撑向量机 特征分类
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 人工智能|ARTIFICIAL INTELLIGENCE
• 页码范围: 70-76
• 页数: 7页
• 分类号: TP311
• 语种: 中文
• DOI: 10.3969/j.issn.1006-2475.2021.03.013

摘要

运动想象脑电信号的分类识别是当前脑机接口(BCI)技术面临的难点.针对该问题,提出一种融合主成分分析(PCA)和粒子群优化-支撑向量机(PSO-SVM)的运动想象脑电信号分类方法.首先利用PCA对采集到的高维脑电信号进行分析,剔除其中噪声分量并提取三维反应不同脑电信号差异特性的特征向量.然后利用SVM对特征向量进行分类,同时针对SVM分类性能受核参数影响较大的问题,利用PSO算法的全局寻优能力对其进行优化,从而提升SVM的分类性能.最后采用BCI竞赛中所用Graz数据进行实验,结果表明所提的PCA融合PSO-SVM方法可以获得95.3％的分类性能,在低信噪比条件下具有鲁棒性和较高的应用前景.