高级搜索

基于条件经验模式分解和串并行CNN的脑电信号识别

唐贤伦 李伟 马伟昌 孔德松 马艺玮

引用本文: 唐贤伦, 李伟, 马伟昌, 孔德松, 马艺玮. 基于条件经验模式分解和串并行CNN的脑电信号识别[J]. 电子与信息学报, doi: 10.11999/JEIT190124 shu
Citation:  Xianlun TANG, Wei LI, Weichang MA, Desong KONG, Yiwei MA. Conditional Empirical Mode Decomposition and Serial Parallel CNN for EEG Signal Recognition[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT190124 shu

基于条件经验模式分解和串并行CNN的脑电信号识别

    作者简介: 唐贤伦: 男,1977年生,教授,博士,研究方向为智能系统与机器人,模式识别理论与应用;
    李伟: 男,1996年生,硕士生,研究方向为深度学习、脑电信号识别;
    马伟昌: 男,1995年生,硕士生,研究方向为机器人控制;
    孔德松: 男,1993年生,硕士生,研究方向为深度学习;
    马艺玮: 女,1980年生,副教授,博士,研究方向为智能信息处理
    通讯作者: 李伟,cqyddxliwei@foxmail.com
  • 基金项目: 国家自然科学基金(61673079, 61703068),重庆市基础研究与前沿探索项目(cstc2018jcyjAX0160)

摘要: 针对运动想象脑电信号的非线性、非平稳特点,该文提出一种结合条件经验模式分解(CEMD)和串并行卷积神经网络(SPCNN)的脑电信号识别方法。在CEMD过程中,采用各阶固有模式分量(IMF)与原始信号的相关性系数作为第1个IMF筛选条件,在此基础上,提出各阶IMF之间的相对能量占有率作为第2个IMF筛选条件。此外,为了考虑脑电信号各个通道之间的特征和突出每个通道内的特征,该文提出SPCNN网络模型对进行CEMD过程后的脑电信号进行分类。实验结果表明,在自行采集的脑电数据集上平均识别率达到94.58%。在公开数据集BCI competition IV 2b上平均识别率达到82.13%,比卷积神经网络提高了3.85%。最后,在自行设计的智能轮椅脑电控制平台上进行了轮椅前进、左转和右转在线控制实验,验证了该文算法对脑电信号识别的有效性。

English

图(8)表(3)
计量
  • PDF下载量:  14
  • 文章访问数:  227
  • HTML全文浏览量:  202
文章相关
  • 通讯作者:  李伟, cqyddxliwei@foxmail.com
  • 收稿日期:  2019-03-01
  • 录用日期:  2019-11-22
  • 网络出版日期:  2019-12-14
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章