|本期目录/Table of Contents|

[1]范　玮,罗思吟,邓轶赫,等.P300信号分类的多样本融合支持向量机算法[J].武汉工程大学学报,2021,43(06):670-674.[doi:10.19843/j.cnki.CN42-1779/TQ.202101006]
　FAN Wei,LUO Siyin,DENG Yihe,et al.Support Vector Machine Algorithm with Multi-Sample Fusion for P300 Signal Classification[J].Journal of Wuhan Institute of Technology,2021,43(06):670-674.[doi:10.19843/j.cnki.CN42-1779/TQ.202101006]
点击复制

P300信号分类的多样本融合支持向量机算法(/HTML)
分享到：

《武汉工程大学学报》[ISSN:1674-2869/CN:42-1779/TQ]

卷:
43
期数:
2021年06期
页码:
670-674
栏目:
机电与信息工程
出版日期:
2021-12-31

文章信息/Info

Title:
Support Vector Machine Algorithm with Multi-Sample Fusion for P300 Signal Classification
文章编号:
1674 - 2869（2021）06 - 0670 - 05
作者:
范　玮; 罗思吟; 邓轶赫; 王　炜; 李圆媛*
武汉工程大学数理学院，湖北 武汉 430205
Author(s):
FAN Wei;  LUO Siyin;  DENG Yihe;  WANG Wei;  LI Yuanyuan*
School of Mathematics and Physics，Wuhan Institute of Technology， Wuhan 430205， China
关键词:
脑电信号; P300信号; SVM算法; 多样本融合
Keywords:
EEG signal;  P300 signal;  SVM algorithm;  multi-sample fusion
分类号:
TP181
DOI:
10.19843/j.cnki.CN42-1779/TQ.202101006
文献标志码:
A
摘要:
脑电信号是大脑受到自发或诱发刺激所产生的一种变化的脑电活动，利用结合了多样本融合思想的支持向量机（SVM）算法，在不同受试者的多样本数据上对诱发脑电信号中的P300信号进行了分类识别。首先对实验数据进行预处理和特征提取，然后利用SVM算法训练分类模型，最后通过融合多个样本的预测结果对测试数据的P300信号进行识别。结果表明，相比单样本SVM算法该方法对检测数据有较高的分类准确率，能够成为P300脑电信号预测的较好方法，具有应用前景。
Abstract:
Electroencephalogram(EGG) signal is a type of altered EEG activity produced by spontaneous or evoked stimulus of the brain. A support vector machine (SVM) algorithm with multi-sample fusion was applied for the classification of the P300 in the multi-sample evoked EEG signals from different subjects. First, the experimental data were preprocessed and the features were extracted, then the classification models were trained by SVM, and finally the prediction results of different samples were integrated in identifying the P300 signal of the test data. The results show that the proposed method has higher?classified?accuracy than the single-sample SVM algorithm, it can become a better method for P300 EEG signal prediction with application prospects.

参考文献/References:

［1］　马也，姜光萍. P300脑电信号的特征提取及分类研究［J］. 山东工业技术，2017（10）：202-204. ［2］　ROSENFELD J P. P300 in detecting concealed information and deception： a review［J］. Psychophysiology， 2020，57（7）： e13362. ［3］　RAKSHIT A， KONAR A， NAGAR A K. A hybrid brain-computer interface for closedloop position control of a robot arm［J］. IEEE/CAA Journal of Automatica Sinica，2020，7（5）：1344-1360. ［4］　ORALHAN Z. 3D input convolutional neural networks for P300 signal detection［J］. IEEE Access， 2020，8： 19521-19529. ［5］　黄安湖. P300脑电诱发电位的分类识别及在脑机接口中的应用［D］. 济南：山东大学，2008. ［6］　薛晓炎. 脑电信号分类研究的方法［D］. 南京：南京理工大学，2008. ［7］　KUNDU S， ARI S. P300 based character recognition using convolutional neural network and support vector machine［J］. Biomedical Signal Processing and Control，2020，55：101645. ［8］　李奇，卢朝华. 基于卷积神经网络的P300电位检测及在脑机接口系统中的应用［J］. 吉林师范大学学报（自然科学版），2018，39（3）：116-122. ［9］　沈之芳. 基于P300的脑机接口及其在线半监督学习［D］. 广州：华南理工大学，2014. ［10］　王俊杰. P300脑机接口的半监督和无监督学习算法研究［D］. 广州：华南理工大学，2017. ［11］　何经纬，刘黎志，彭贝，等. 基于Spark并行SVM参数寻优算法的研究［J］. 武汉工程大学学报，2019，41（3）：283-289. ［12］　辛雨航. 基于半监督与时序模型的脑电信号特征提取方法研究［D］. 济南：山东大学，2018. ［13］　肖郴杰. 基于深度学习的P300脑机接口分类算法研究［D］. 广州：华南理工大学，2019. ［14］　冯宝，张绍荣. 组稀疏贝叶斯逻辑回归的P300信号通道自动选择算法［J］. 东北大学学报（自然科学版），2019，40（9）：1245-1251. ［15］　SAHU M， VERMA S， NAGWANI N K， et al. EEG signal analysis and classification on P300 speller-based BCI performance in ALS patients［J］. International Journal of Medical Engineering and Informatics，2020，12（4）：275-400.

相似文献/References:

备注/Memo

备注/Memo:
收稿日期：2021-01-14基金项目：国家自然科学基金（12001408）；武汉工程大学科学研究基金（K201746）；武汉工程大学研究生教育创新基金（CX2020292）作者简介：范　玮，硕士研究生。E-mail：fanwei1995@hotmail.com*通讯作者：李圆媛，博士，副教授。E-mail：yuanyuanli_wit@hotmail.com引文格式：范玮，罗思吟，邓轶赫，等. P300信号分类的多样本融合支持向量机算法［J］. 武汉工程大学学报，2021，43（6）：670-674.
更新日期/Last Update: 2021-12-27