彭锦强

摘   要：脑电信号的非线性、非平稳性和微弱性造成对运动想象脑电信号的分类存在特征提取困难，分类结果不理想，分类性能受噪声影响明显等问题。为此，提出了一种基于因子分析（Factor Analysis，FA）模型的噪声稳健运动脑电信号分类方法。首先利用FA模型對脑电信号中存在的噪声分量进行抑制，针对重构信号可分性较差的问题，将其转换至功率谱域，进而提取三维能够反映不同运动状态的功率谱特征，最后利用支撑向量机（Support Vector Machine，SVM）分类器对所提特征向量进行分类判决。基于Graz数据的验证实验表明，所提方法可以明显提升低信噪比条件下的分类性能，在实际工程应用中具备较强的推广泛化

能力。

关键词：脑电信号分类;因子分析模型;特征提取;噪声稳健;

中图分类号：TP39                                             文献标识码：A

Noise Robust EEG Signal Classification Method Based

on Factor Analysis Model

PENG Jin-qiang？覮

（Huizhou City Vocational College，Huizhou，Guangdong 516025，China）

Abstract：In view of the difficulty of feature extraction and the obvious influence of noise on the classification of motor EEG signals，this paper presents a noise robust EEG signal classification method based on factor analysis（FA） model. Firstly，FA was utilized to suppress the noise components in EEG signals，and then the original signals with poor separability were converted to the power spectrum domain and the three-dimensional power spectrum features with good separability were extracted. Finally，Support Vector Machine（SVM） classifier was used to classify the feature vectors. The verification experiment with Graz data shows that the proposed method can significantly improve the classification performance under the condition of low SNR，and has a strong generalization ability.

Key words：classification of EEG signals;factor analysis model;feature extraction;noise robust;

1973年Vidal为了帮助运动障碍患者实现与外界的信息交互，第一次提出了脑-机接口（Brain Computer Interface，BCI）技术[1-2]。BCI技术是在大脑与计算机或外部通信设备之间直接建立联系，而不依靠传统的脑外周神经和肌肉系统等传统大脑输出通路，其实现途径是利用计算机或其它外围设备对特定任务下的脑电信号（Electro Encephalogram Gram，EEG）进行采集，进而运用模式识别算法对数据进行分析并将其与特定任务（例如抬左手）建立联系，从而达到向外界传输信息的目的。模式识别作为BCI中的关键技术也成为了当前研究的难点和热点[3]。

典型的模式识别算法包含训练和测试两个阶段[4-5]，通常训练阶段可以离线完成，测试阶段需要在线对测试样本实现快速判决。……