典型文献
基于支持向量机和PCA的脑电α波运动想象分类研究
文献摘要：
针对脑电信号(EEG)运动想象分类过程中弱相关特征量影响分类准确度的问题,提出一种筛选方法,该方法是基于α波和主成分分析(PCA)算法的.基于脑机接口(BCI)系统,通过听觉诱发刺激产生向左和向右两种运动想象任务对应的脑电信号,并对其做小波包分解处理,然后进行脑电α频段信号的重构,从而提取出α波形并对其进行统计特征提取.再结合PCA技术和支持向量机(SVM)方法,实现弱相关特征的剔除和特征分类.根据筛选后的数据进行分类,所得结果准确率更高,信号分类的准确度由90.1％提高至94.0％.
文献关键词：
小波包分解;支持向量机;运动想象;主成分分析;脑电信号
中图分类号：
作者姓名：
蔡靖;刘光达;王尧尧;宫晓宇
作者机构：
吉林大学仪器科学与电气工程学院,吉林长春130012;吉林大学教育技术中心,吉林长春130061
文献出处：
引用格式：
[1]蔡靖;刘光达;王尧尧;宫晓宇-.基于支持向量机和PCA的脑电α波运动想象分类研究)[J].电子技术应用,2022(06):23-27
A类：
B类：
运动想象,分类研究,脑电信号,EEG,分类过程,特征量,筛选方法,脑机接口,BCI,听觉诱发,小波包分解,频段,统计特征,特征分类,信号分类
AB值：
0.277402
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
