换一批摘要隐马尔科夫模型(HMM)在脑机接口(BCI)领域中已经得到很好的应用,尤其是在运动想象(MI)信号的分类中.但是,很多传统的方法只是利用隐马尔科夫模型描述信号的动态特性,再根据观测数据求得模型参数,然后进行信号分类.由于脑电信号低信噪比、高维数和状态复杂的特点,在研究中先用分层Dirichlet过程(HDP)描述MI信号,利用HDP自聚类特性,然后使用AR模型描述MI信号的时间特性,最后结合马尔科夫切换过程(MSP)描述MI信号的动态特性,以此来充分地描述MI信号.随后对实验室采集的数据和2003年BCI国际大赛的部分数据,使用HDP-AR-HMM模型对MI信号分类,获得很好的分类效果,准确率分别是99.00％、92.00％和72.46％.实验结果表明,所提出的方法可以取得更好的运动想象信号分类.
更多相关知识
关键词
运动想象脑机接口马尔科夫切换AR模型信号分类motor imagerybrain computer interface (BCI)Markov switching processesAR modelsignal classification
分类号
TP391.4
栏目名称
DOI
10.3969/j.issn.0258-8021.2014.06.05
发布时间
2015-01-23（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引4
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
