✨ 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。
（2）OMP-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C=42.7，γ=0.18。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%。
（3）BCI-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, fs=250): # 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, nperseg=128) alpha_power = np.sum(psd[(f>=8)&(f<=13)]) beta_power = np.sum(psd[(f>=13)&(f<=30)]) # 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_features=40): 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, rcond=None)[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(C=C, gamma=gamma, kernel='rbf') 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[pred==0, i] += 1 votes[pred==1, j] += 1 return np.argmax(votes, axis=1)如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
