一种基于频率转移变量模式分解的方法,用于MI-EEG信号分类的BCI
Haiqin Xu1, Shahzada Ali Hassan2, Waseem Haider2
1College of Civil Aviation, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, China.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
频率转移变量模式分解 (FS-VMD) 通过解决模式混合和别名化来增强电脑电图 (EEG) 分析. 这种新的方法可以提高神经疾病的诊断准确度.
科学领域:
- 神经科学和生物医学工程
- 信号处理 信号处理
背景情况:
- 电脑电图 (EEG) 信号分析对于神经诊断至关重要.
- 传统的信号分解 (SD) 方法遭受模式混合和别名,降低信号完整性和诊断准确性.
- 这些局限性影响了,脑损伤和睡眠障碍等疾病的诊断.
研究的目的:
- 引入一种新的频率转移变量模式分解 (FS-VMD) 方法,以改进EEG信号分析.
- 在EEG分解中解决和克服模式混合和模式别名的关键问题.
- 提高基于EEG的诊断的准确性和效率.
主要方法:
- 开发了频率转移变量模式分解 (FS-VMD) 技术.
- FS-VMD提取并将EEG信号的基本频率转移到更低的范围内进行代分解.
- 集成的FS-VMD与先进的分类器:支持向量机 (SVM),卷积神经网络 (CNN) 和特征加权的k-最近邻居 (FWKNN).
主要成果:
- FS-VMD有效地减少了模式混合和模式转换,增强了内在模式函数 (IMF) 的分辨率.
- 实现了卓越的分类准确性,SVM在18通道EEG设置中达到99.99% (0.25标准偏差).
- 与传统的SD技术相比,显示了信号清晰度和分解精度的显著改进.
结论:
- FS-VMD为EEG信号分析提供了强大而精确的解决方案,克服了传统方法的局限性.
- 拟议的方法显著提高了神经疾病的诊断准确性.
- 在临床应用中,FS-VMD代表了EEG信号处理的重大进步.
