运动想象系统中的特征提取算法和分类算法

更多技术，第一时间送达

特征提取算法

（1）时域方法：这是比较早期的EEG信号处理方法，主要通过提取EEG的波形特征，比如振幅、方差、波峰等，对EEG信号进行分析；

（2）频域方法：运动想象EEG信号的ERD和ERS现象只出现在特定频率范围，比如8-12Hz 的Mu波和18-26Hz 的Beta 波。因此，通过功率谱等谱分析方法，也可以有效地从EEG提取中特征。其中比较出名的方法有自回归功率谱分析、双谱分析法等；

（3）空域方法：这是近年运动想象领域比较通用的特征提取方法，主要通过设计空域滤波器对EEG 的多通道空间分布进行处理，提取可分的特征。包括：共空域模式法（Common spatialpattern，CSP），以及基于CSP改进的方法。

基于CSP改进的方法包括：

1.时空滤波的共空谱模式（Common spatio-spectralpattern, CSSP）；

2.共稀疏谱空模式（Common sparse spectral spatial pattern，CSSSP）；

3.正则化公用空间模式（Regularized Common Spatial Pattern, RCSP)等。

（4）鉴于脑电信号的非线性特性和运动想象时的节律特性，提出了小波模糊熵的特征提取方法，利用小波变换将EEG信号进行小波分解，得到对应运动想象EEG信号的alpha和beta节律，然后采用模糊熵方法提取特征。

图片来源于网络

分类识别算法

(1)LDA 分类器

LDA分类器(LinearDiscriminant Analysis，LDA)是一种简单高效的线性分类器，将数据往低维度方向投影，使得投影后的数据具有类内方差最小，类间方差最大的特性。也即是投影后同一类别的数据尽可能接近，不同类别的数据尽可能分开。最后在最可分的数据上通过简单的阈值设置进行分类。LDA 是运动想象系统中最常用的分类器，在历届的脑机接口竞赛中都被许多参赛者使用。近年来，结合运动想象的特点，许多基于LDA 的改进方法也被提出来，比如自适应LDA、贝叶斯LDA等，并且都取得了很好的分类性能。

(2)SVM 分类器

支持向量机分类器(SVM)是机器学习里典型的分类器，通过构建一个最优的分割超平面，从而将两类数据尽可能的区分开。SVM 在运动想象系统中也被广泛的使用，除此之外，SVM 在P300、稳态视觉诱发电位（Steady state visuallyevoked potentials，SSVEP）脑机接口系统中也广泛使用。

(3)贝叶斯分类器

贝叶斯分类器是利用贝叶斯公式计算出样本属于各个类别的后验概率，然后最大后验概率所对应的类别则为该样本的类别。贝叶斯分类器也广泛的使用于运动想象系统，对特征进行分类。

（4）人工神经网络

人工神经网络是利用大脑神经元结构和信息传递机理，在此基础上建立大规模的具有自适应能力的网络系统，并且通过拓扑结构连接，按照大型规模的并行方式排列而成。人工神经网络适合非线性分析问题，并且具有较强的学习和归纳能力，自适应性强。人工神经网络的模式有很多种，目前常用的人工神经网络有：感知器、多层感知器、BP神经网络、RBF神经网络等。

(5)聚类分类器

聚类分析是一种具有探索性质的模式分类方法，在分类时不依赖于任何关于分类的先验知识，而是采用相似度量的方法，对具有相同或相似特征的样本进行分类。聚类分析在分类时需要确定一种聚类准则来评价聚类方法的好坏，常用的聚类准则有误差平方和、类间距离和、离散度等。聚类方法有很多种，常见的方法有：层次聚类、动态聚类法和决策树聚类法等。由于聚类为线性分类器，它在脑电信号分类中的缺点是对脑电信号的特征要求很高，难以处理复杂的分类问题，容易造成分辨率低。

上述为Rose学习笔记，参考整理于：

运动想象脑电信号特征提取与分类研究

基于协方差特征的EEG解码及其在运动想象脑机接口系统的应用研究