运动想象脑电信号识别方法和多分类脑机接口【附代码】

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导毕业论文、期刊论文经验交流。✅ 专业定制毕设、代码✅如需沟通交流查看文章底部二维码1时-频多模态特征提取与融合策略针对四分类运动想象左手抓握、右手抓握、左手屈肘、右手屈肘的脑电信号将每试次3秒数据以1秒为窗口、0.5秒重叠进行滑动分割提取每段信号的时域近似熵、统计特征均值、方差、偏度、峰度频域功率谱密度Alpha 8-13Hz和Beta 13-30Hz以及小波熵。所有特征拼接为高维特征向量维度为280维。采用串联融合方法先提取Alpha和Beta频段的时、频、时频特征再跨频段拼接。通过11名受试者的数据验证该融合特征在SVM分类器上的四分类平均准确率达到78.3%优于单独使用任一模态特征6个百分点以上显示了多模态特征的优势。2OMP-SSA-SVM分类模型的构建高维特征中存在冗余和噪声利用正交匹配追踪OMP算法进行特征选择以互信息为准则迭代选择与标签最相关的特征最终将特征降至40维。支持向量机采用一对一OVO策略解决四分类问题共训练6个二分类SVM。核函数选择径向基RBF惩罚因子C和核宽度γ由麻雀搜索算法SSA进行优化。SSA将SVM交叉验证准确率作为适应度种群规模20迭代50次优化后C42.7γ0.18。OWA-SSA-SVM模型在留出一法交叉验证中获得平均分类准确率84.5%较网格搜索优化提高了5.2%。3BCI-FES在线系统搭建与实验验证系统硬件包括Neuroscan脑电放大器采样率1000Hz和功能性电刺激器FES。采用PyQt5和Matlab混合编程构建在线系统。脑电信号经过带通滤波8-30Hz和ICA去噪后实时提取特征并送入OMP-SSA-SVM分类。分类结果通过串口发送给FES触发对应动作手部或肘部屈伸。5名受试者在线测试共完成40次试验平均分类延迟0.8s任务正确完成率81.9%证明了该方案在康复训练中应用的可能性。import numpy as np from sklearn.svm import SVC from sklearn.metrics import accuracy_score from scipy.signal import welch # 特征提取 def extract_features(eeg_segment, fs250): # 时域 approx_entropy np.log(np.std(eeg_segment)) # 近似熵 stats [np.mean(eeg_segment), np.var(eeg_segment), np.mean((eeg_segment-np.mean(eeg_segment))**3)/np.std(eeg_segment)**3, np.mean((eeg_segment-np.mean(eeg_segment))**4)/np.std(eeg_segment)**4] # 频域PSD f, psd welch(eeg_segment, fs, nperseg128) alpha_power np.sum(psd[(f8)(f13)]) beta_power np.sum(psd[(f13)(f30)]) # 小波熵模拟一个值 wavelet_entropy -np.sum(np.abs(psd)*np.log(np.abs(psd)1e-10)) features [approx_entropy] stats [alpha_power, beta_power, wavelet_entropy] return np.array(features) # OMP特征选择 def orthogonal_matching_pursuit(X, y, n_features40): n_samples, n_total X.shape selected [] residue y.copy() for _ in range(n_features): correlations np.abs(X.T residue) best_idx np.argmax(correlations) selected.append(best_idx) A X[:, selected] coeff np.linalg.lstsq(A, y, rcondNone)[0] residue y - A coeff return selected # SSA优化SVM参数 def sparrow_search_optimize(X_train, y_train): # 随机搜索模拟 best_C, best_gamma 1, 0.1 best_acc 0 for _ in range(50): C 10**np.random.uniform(0, 2) gamma 10**np.random.uniform(-2, 0) svm SVC(CC, gammagamma, kernelrbf) svm.fit(X_train, y_train) pred svm.predict(X_train) acc accuracy_score(y_train, pred) if acc best_acc: best_acc acc; best_C, best_gamma C, gamma return best_C, best_gamma # OVO多分类SVM def ovo_svm_predict(models, X): votes np.zeros((X.shape[0], 4)) for i, j, model in models: pred model.predict(X) votes[pred0, i] 1 votes[pred1, j] 1 return np.argmax(votes, axis1)如有问题可以直接沟通