摘要
提出了一种基于固有模态函数(Intrinsic Mode Function,IMF)能量熵的特征提取方法。对三类脑电思维信号分别进行了经验模态分解(Empirical Mode Decomposition,EMD),并得到与其相对应的IMF。试验发现对于不同类别的信号,同阶的IMF能量的判别熵有明显的不同。而采用K-近邻分类器对三类脑电信号进行了分类,发现基于最佳特征向量选择的分类试验的平均正确识别率达75%以上。
A new feature extraction and selection method based on the energy entropy of Intrinsic Mode Functions （IMFs） is presented.Three types of different mental tasks in EEG signals radiated from the targets are decomposed into their respective IMFs using the Empirical Mode Decomposition （EMD） procedure,and the energies of the same IMF of three types of signals are different.The energy entropies of the IMFs are calculated.K-neighbor classifier is used for classification experiments for three types of signals.The results show that the correct identification ratio of experiments above 75%.
出处
《计算机工程与应用》
CSCD
北大核心
2009年第28期128-130,139,共4页
Computer Engineering and Applications
基金
国家自然科学基金No60803088
陕西师范大学校级资助项目(No200802019)~~
关键词
固有模态函数
脑电信号
经验模态分解
特征提取
K-近邻分类器
Intrinsic Mode Function（IMF）
EEG
Empirical Mode Decomposition（EMD）
feature extraction
K Nearest Neighbor（sKNN）
