典型文献
基于PF系数的多模态EEG-FNIRS通道选择方法
文献摘要：
在多模态脑机接口(Brain-computer interface,BCI)研究中,通道选择是直接影响系统性能的关键因素.针对脑电图(Electroencephalogram,EEG)和功能性近红外光谱(Functional near-infrared spectroscopy,fNIRS)各自通道之间存在冗余信息和噪声干扰,本文提出了一种基于PF(Pearson-Fisher,PF)系数的通道选择方法.首先将表征信号间相关性的Pearson系数与表征特征间可分性的Fisher值相结合,构建代表任务区分性的PF系数,并设置合理阈值对通道进行选择.然后提取EEG中的共空间模式(Common space pattern,CSP)特征和fNIRS中的统计特征.最后通过收缩线性判别分析(Shrinking linear discriminant analysis,SLDA)分类器进行分类.在对心理算数(Mental arithmetic,MA)任务数据的分类实验中,本文所提出方法分类精度可以达到90.8％,表明了该方法的有效性和鲁棒性.
文献关键词：
脑电图;功能性近红外;心理算数;PF通道选择;共空间模式
中图分类号：
作者姓名：
孟明;戴橹洋;马玉良;高云园
作者机构：
杭州电子科技大学自动化学院,浙江杭州310018
文献出处：
引用格式：
[1]孟明;戴橹洋;马玉良;高云园-.基于PF系数的多模态EEG-FNIRS通道选择方法)[J].传感技术学报,2022(01):84-91
A类：
FNIRS,多模态脑机接口,心理算数
B类：
PF,EEG,通道选择,选择方法,Brain,computer,interface,BCI,影响系统,系统性能,脑电图,Electroencephalogram,功能性近红外光谱,Functional,infrared,spectroscopy,fNIRS,自通,冗余信息,噪声干扰,Fisher,可分性,任务区,区分性,共空间模式,Common,space,pattern,CSP,统计特征,线性判别分析,Shrinking,linear,discriminant,analysis,SLDA,分类器,Mental,arithmetic,MA,方法分类,分类精度
AB值：
0.438802
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。
