基于TRCSP和L2范数的脑电通道选择方法

脑-机接口（BCI）系统常用高密度电极通道来获取较高空间分辨率的脑电（EEG）信号,但同时也会引入过多的噪声通道,影响脑电的解码性能。为了消除无关的噪声通道,提出了一种基于Tikhonov正则化共空间模式（TRCSP）和L2范数的运动想象脑电通道选择方法。首先基于TRCSP和分类器得到最优的空间滤波器,接着基于L2范数对空间滤波器得到的各通道的权重值进行排序。选择前K个通道的数据进行CSP特征提取,根据分类器的分类准确率确定最优K值,进而得到最优的通道数和通道组合。在实验中,使用6种分类器分别在BCI竞赛III（2005）数据集IVa和实验室自采集数据上验证所提出的通道选择方法的有效性。所提出的方法在两个数据集上的平均分类准确率分别达到了87.57%和74.32%,优于其它现有的方法。     

特征可分性显式建模的跨数据库脑电解码方法

目前,在运动想象解码领域,研究主要集中在被试依赖和被试独立解码两种方法上。然而,这两种解码方式在脑机接口（BCI）系统的实际使用中存在较大局限性。被试依赖和被试独立解码都依赖于同一中心数据集,当解码模型应用于其他中心的数据集时,性能将显著下降,无法满足BCI系统跨中心使用的需求。为提升运动想象脑电跨数据库解码性能,基于领域泛化的方法框架,提出了一种基于Fisher准则正则化的稀疏选择模型。在最小绝对值收缩和选择算子（LASSO）模型的基础上,引入Fisher准则正则项,以在特征选择过程中显式建模特征的可分性。这有助于提高领域泛化的表示学习能力,从而增强分类模型在不同数据集上的泛化性能。采用两个公开的运动想象脑电数据集,并使用滤波器组共空间模式（FBCSP）和多时频共空间模式（MTFCSP）两种特征提取方法,验证了所提方法的有效性, 进一步使用自采集的数据也证实了该方法在实际应用中同样有效。与现有的方法相比,所提方法取得了最高平均分类准确率,达到67.26%。实验结果表明,所提方法在运动想象跨数据库解码中具有更好的泛化能力、更高的特征可分性、更好的鲁棒性。所提方法有望促进BCI系统跨中心使用,提高通用性。