脑-机接口中基于ERS/ERD的自适应空间滤波算法
吕 俊; 谢胜利; 章晋龙
华南理工大学电信学院 广州 510641
Adaptive Spatial Filter Based on ERD/ERS for Brain-Computer Interfaces
Lü Jun; Xie Sheng-li; Zhang Jin-long
School of Electronic and Information Engineering, South China University of Technology, Guangzhou 510641, China
摘要 在与运动相关的脑-机接口(Brain-Computer Interface, BCI)研究中,如果样本规模小,共同空间模式(Common Spatial Patterns, CSP)滤波算法对离群点(可能为噪声)敏感,鲁棒性不好。为此该文提出自适应空间滤波(Adaptive Spatial Filter, ASF)算法,抽取滤波后脑电信号的方差作为特征,并寻找最优滤波器使两类特征中心的比值最大。与CSP不同,ASF是迭代算法,具有软判决机制,能够依据历代更新后的滤波器,自适应地降低离群点对各类特征中心计算带来的影响。采用BCI competition 2003和2005中两套数据集进行实验,结果表明:尤其是在训练样本少的情况下,相对于CSP,ASF所提取的特征分类效果更好。
关键词 :
脑-机接口(BCI) ,
特征提取 ,
共同空间模式(CSP)滤波法
Abstract :For motor related Brain-Computer Interface (BCI), if the sample size is small, Common Spatial Patterns (CSP) algorithm is sensitive to outlier data and lacks of robustness. In this paper, an Adaptive Spatial Filter (ASF) algorithm is proposed to take filtered samples’ variances as the features and seek the spatial filter to maximize the ratio of two classes’ means. Unlike CSP, ASF is an iterative algorithm and have soft determination. ASF can adaptively decrease outliers’ effects according to the updated filters. Using two datasets from BCI competition 2003 and 2005, the experimental results show that ASF outperforms CSP,especially when training samples are few.
Key words :
Brain-Computer Interface (BCI)
Feature extraction
Common Spatial Patterns (CSP) algorithm
收稿日期: 2007-09-13
基金资助: 国家自然科学基金重点项目(U0635001)和国家自然科学基金项目(60505005,60774094)资助课题
[1]
胡健,罗迎,张群,孙玉雪,胡超. 弹道目标宽带雷达干涉式三维成像与微动特征提取 [J]. 电子与信息学报, 2017, 39(8): 1865-1871.
[2]
李彬,李辉,郭淞云. 基于t分布扩展概率主成分分析模型的一维距离像识别方法 [J]. 电子与信息学报, 2017, 39(8): 1857-1864.
[3]
罗甫林,黄鸿,刘嘉敏,冯海亮. 基于半监督稀疏流形嵌入的高光谱影像特征提取 [J]. 电子与信息学报, 2016, 38(9): 2321-2329.
[4]
佘青山,陈希豪,高发荣,罗志增. 基于感兴趣脑区LASSO-Granger因果关系的脑电特征提取算法 [J]. 电子与信息学报, 2016, 38(5): 1266-1270.
[5]
余淮,杨文. 一种无人机航拍影像快速特征提取与匹配算法 [J]. 电子与信息学报, 2016, 38(3): 509-516.
[6]
范学满,胡生亮,贺静波. 对海雷达目标识别中全极化HRRP的特征提取与选择 [J]. 电子与信息学报, 2016, 38(12): 3261-3268.
[7]
张群,何其芳,罗迎. 基于贝塞尔函数基信号分解的微动群目标特征提取方法 [J]. 电子与信息学报, 2016, 38(12): 3056-3062.
[8]
张腊梅,段宝龙,邹斌. 极化SAR图像目标分解方法的研究进展 [J]. 电子与信息学报, 2016, 38(12): 3289-3297.
[9]
何炜琨,郭双双,王晓亮,吴仁彪. 基于Level-II数据和模糊逻辑推理的气象雷达风电场杂波检测与识别方法 [J]. 电子与信息学报, 2016, 38(12): 3252-3260.
[10]
杜兰,史蕙若,李林森,孙永光,胡靖. 基于分数阶傅里叶变换的窄带雷达飞机目标回波特征提取方法 [J]. 电子与信息学报, 2016, 38(12): 3093-3099.
[11]
郭丹丹,陈渤,丛玉来,文伟. 基于PGBN模型的SAR图像目标识别方法 [J]. 电子与信息学报, 2016, 38(12): 2996-3003.
[12]
丁军,刘宏伟,陈渤,冯博,王英华. 相似性约束的深度置信网络在SAR图像目标识别的应用 [J]. 电子与信息学报, 2016, 38(1): 97-103.
[13]
李寰宇,毕笃彦,查宇飞,杨源. 一种易于初始化的类卷积神经网络视觉跟踪算法 [J]. 电子与信息学报, 2016, 38(1): 1-7.
[14]
王磊, 周乐囡, 姬红兵, 林琳. 一种面向信号分类的匹配追踪新方法 [J]. 电子与信息学报, 2014, 36(6): 1299-1306.
[15]
张瑞, 牛威, 寇鹏. 基于样本紧密度的雷达高分辨距离像识别方法研究 [J]. 电子与信息学报, 2014, 36(3): 529-536.