基于EMD和Hilbert变换的脑磁信号特征提取和分类

摘要

为研究通过脑机接口(Brain-Computer Interface,BCI)处理非线性、非稳定性信号问题,针对基于脑磁信号(magnetoencephalography,MEG)的BCI,提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)和Hilbert变换的MEG特征提取和分类方法.该方法首先对MEG数据进行预处理;其次用EMD和Hilbert变换方法提取特征向量;然后用主成分分析法对提取到的特征向量进行降维处理;最后把处理过的特征向量作为支持向量机(Support Vector Machine,SVM)的一个输入向量实现MEG的分类.使用该方法对第4届国际BCI竞赛提供的MEG数据进行分类,实验结果表明可以获得较高的分类准确率.