基于脑电的立体视频加速度的特征识别

TN911.6; 构建一种能够自适应提取脑电特征的PMEMD-2JSD-CSP模型,明确了立体视频的两类匀加速深度运动的可分性.利用部分噪声辅助多变量经验模态分解(PNA-MEMD)对脑电(EEG)信号进行分解得到本征模态函数(IMF),应用基于詹森-香农散度(JSD)的有效因子对IMF进行两次不同范围的自适应筛选,筛选结果按照权重叠加构成重构信号.利用共空间模式(CSP)对重构信号进行空域特征提取,支持向量机(SVM)对特征进行分类,分类正确率最高为73.16％,证明了该模型对两类EEG信号特征提取的有效性....

Full description

Saved in:
Bibliographic Details
Published in东北大学学报（自然科学版） Vol. 40; no. 10; pp. 1386 - 1391
Main Authors 沈丽丽, 耿小荃, 徐礼胜
Format Journal Article
LanguageChinese
Published 天津大学 电气自动化与信息工程学院,天津,300072%东北大学 医学与生物信息工程学院,辽宁 沈阳,110169 01.10.2019
Subjects
立体深度匀加速运动
多变量经验模态分解
视觉不舒适
脑电
共空间模式
Online AccessGet full text
ISSN1005-3026
DOI10.12068/j.issn.1005-3026.2019.10.004

Cover

More Information
Summary:TN911.6; 构建一种能够自适应提取脑电特征的PMEMD-2JSD-CSP模型,明确了立体视频的两类匀加速深度运动的可分性.利用部分噪声辅助多变量经验模态分解(PNA-MEMD)对脑电(EEG)信号进行分解得到本征模态函数(IMF),应用基于詹森-香农散度(JSD)的有效因子对IMF进行两次不同范围的自适应筛选,筛选结果按照权重叠加构成重构信号.利用共空间模式(CSP)对重构信号进行空域特征提取,支持向量机(SVM)对特征进行分类,分类正确率最高为73.16％,证明了该模型对两类EEG信号特征提取的有效性.
ISSN:1005-3026
DOI:10.12068/j.issn.1005-3026.2019.10.004