运动想象脑机接口中模式识别方法研究
BCI系统的组成及工作原理
BCI系统组成及工作原理，如上图1。
信号采集时要对其进行滤波、放大和A/D转换；
EEG信号是一种信噪比非常小的微弱信号，容易被外部噪声和其他生理信号所干扰，所以要进行预处理，提高信号质量；
从中提取出能够反映信号特点的特征量，为后续的分类识别奠定基础（问题：个体的差异性）；
模式分类主要是通过一些学习算法，建立特征与实验者意识活动之间的对应关系，从而达到分类识别的目的，其分类结果的精度直接影响到后续控制装置的准确性；
控制装置及外部设备
信号特点
低信噪比的微弱信号，幅值范围只有5-200μV。EEG的噪声一般分为外部噪声（采集设备的电磁信号干扰）和内部生理信号（眼电、肌电）。是一种非平稳信号。具有较强的非平稳性。
大脑活动与生物组织之间错综复杂的关系使得 EEG 信号具有很强的非线性，导致信号处理中常用的线性方法并不适用于 EEG 信号的处理。
EEG 信号的时、空、频特征较为突出。信号与人所处的状态有很强的相关性，其变化通常在不同的频段表现的较为明显
根据电位产生机理可以分为自发性和诱发性两类。自发性 EEG 信号是神经元自发性活动引起电位变化而产生的，如皮层慢电位、运动想象 EEG 信号等，而诱发性 EEG 信号是在外界刺激下引起的电位活动产生的，例如视觉诱发电位、P300 电位等。
采集方法
EEG 信号的采集方法分为非植入式和植入式采集，非植入式采集即将电极置于头皮表面，获得的信号称为头皮脑电；植入式采集较为复杂，通过手术措施将电极置于脑皮层内部，根据电极位置深浅，获得的信号分为大脑皮层硬脑膜脑电信号(Electrocorticogram, ECoG)和大脑皮层内脑电信号。
脑机接口系统的分类及特点
植入式和非植入式BCI系统
单一模式和混合 BCI系统
单一模式 BCI(single BCI, sBCI)只使用一种 EEG 信号作为系统的输入，根据 EEG 信号的种类不同，又可分为基于慢皮层电位、稳态视觉诱发电位、事件相关电位和运动想象脑电四类 BCI 系统，由于每种 EEG 信号各有特点，因而 sBCI 存在一定的局限性且很难有所突破。运动想象脑机接口国内外研究现状
运动想象在康复领域取得的研究成果为运动功能障碍患者的康复治疗带来了福音。汽车制动安全领域在识别率、响应速度以及人工交互上还需要进一步改善
脑电信号伪迹去除研究现状
目前减少噪声干扰的措施主要有三种：预防、剔除、修正。修正是主流方法。
常用的方法有：
(1)自适应滤波。相较于其他滤波器，自适应滤波器更适用于 EEG 这类非平稳信号的处理，其优点是能够学习和跟踪输入信号的变化，从而不断更新滤波器的系数，达到去除伪迹的目的。去除 EEG信号中 EOG 的自适应滤波器原理如图 1.9 所示，图中混合信号作为滤波器的输入，EOG 为参考信号，输出为纯净的 EEG 信号。
(2)小波分析。小波分析降噪的原理是通过小波变换将 EEG 信号分解到各子频带，选取合适的阈值对子带系数进行处理，进而基于变换后的小波系数重构 EEG 信号。该方法由于其良好的时频特性在 EEG 信号伪迹去除中应用较为广泛，但是目标信号与噪声频段的混叠以及难以确定合适的阈值致使其降噪效果并不理想。
(3)盲源分离。盲源分离是指在源信号未知的情况下将获得的混合信号分离为一个个相互独立的源信号，基于此，利用盲源分离方法可以从采集的 EEG 信号中分离出纯净的 EEG 以及其他各伪迹。目前，应用比较广泛的盲源分离方法有独立成分分析和二阶盲辨识方法。
脑电信号特征提取研究现状
(1)时域分析：从时域角度出发对信号进行分析，不仅计算简单方便，而且提取的特征具有明确的物理意义。提取 EEG 信号时域特征的经典方法有过零点分析、方差分析、峰值检测等。此外利用参数模型（如 AR 模型）对 EEG 信号建模，提取模型参数作为特征，也是时域分析的一种重要手段。但是，由于 EEG 信号的复杂性及时变性特点，时域分析提取的信息十分有限。
(2)频域分析：EEG 信号有 5 个主要波段组成，因而其许多特征在频域上表现较为明显，故以功率谱估计为代表的谱分析技术是提取 EEG 信号特征的一种重要手段。经典谱估计以 FFT 为基础，计算简单且容易实现，但是得到的功率谱方差特性不好；而现代谱估计方法则以参数模型为基础，可以有效地提高谱估计的分辨率，为 EEG 信号频域特征的提取提供了有效手段。但是，功率谱估计不能反映 EEG 频谱的时变性，特别是对EEG 这种非平稳信号，容易丢失时变的信息。
(3)时频分析：EEG 信号的时频分析，是一种同时在时域和频域对信号进行分析的技术，其主要思想是将 EEG 信号在时间-频率平面中展开，从而表现出信号不同时间点的频率成分。常见方法有短时傅里叶变换（STFT）、小波变换等。通过对 EEG 信号进行时频分析，更能反映信号的瞬态特征，提取到有用的信息。
(4)时空分析：考虑到大脑不同皮层区及脑电极的空间分布位置，从时间和空间维度对EEG 信号进行分析有利于揭示和增强多导 EEG 信号中的隐含特征。共空间模式（Common Spatial Pattern, CSP）算法是时空分析方法中最具代表性的一种，也是常用的提取运动想象EEG 信号特征的方法。
(5)线性分析：EEG 信号具有明显的非线性特征，随着混沌理论的快速发展，EEG信号的非线性分析也随之展开，常用的有 Lyapunov 指数、熵、复杂性度量等。
分类方法：
(1)线性判别分析（LDA）
主要思想是将待分类的两类样本通过变换矩阵投影到一条直线上，以散度为度量，使得同类样本点聚在一起，异类样本点彼此远离
(2)支持向量机（SVM）
SVM 基于结构风险最小化原理，在特征空间中构建最优分割超平面，将两类模式尽可能区分开。对于线性不可分问题，SVM 通过核函数将样本从原空间映射到一个更高维的特征空间，使得样本在这个特征空间内线性可分。RBF 核函数是最常用的一种核函数，且采用 RBF 核的 SVM在脑电模式分类中表现出非常好的性能。
(3)神经网络（NN）
(4)集成学习（EL）
EL 是一种多分类器系统，是指通过构建并结合多个分类器来完成学习任务，。EL 的关键在于采取某种策略将多个弱分类器进行结合，得到一个性能更高的强分类器。
研究内容
第一针对 EEG 信号中存在眼电伪迹干扰的问题，提出一种基于离散小波变换（Discrete Wavelet Transform, DWT）和独立成分分析（Independent Component Analysis, ICA）相结合的眼电伪迹自动去除方法，首先采用 DWT 对 EEG 信号进行分解，选取特定层小波系数重构出EEG 信号的 δ、θ、α、β 和 γ 五个波段，接着根据峭度值和 Renyi 熵值筛选出含有伪迹的波段，最后利用 ICA 对筛选出的波段进行伪迹去除，基于去除眼电后的各波段重构 EEG 信号。
第二为提取更多的有效信息，本章结合时域分析、自回归模型和离散小波变换方法对 EEG 信号进行特征提取，对每种方法得到的特征利用概率输出支持向量机(Support Vector Machine, SVM)得到分类结果，最后采用 D-S 证据理论将每个 SVM 的输出进行融合，得到最终的分类结果。
第三深度学习方法在 EEG 信号分类中的应用，针对多类别 EEG 信号及小样本的情况，提出一种基于卷积神经网络（Convolutional Neural Network, CNN）和 SVM 融合的方法，利用 CNN 对 4 类运动想象 EEG 信号进行特征提取，随后将提取到的特征经过主成分分析后输入到 SVM 中进行分类。
第四对同侧手部动作的识别方法进行了研究，考虑到同侧动作差异小、识别困难的情况，提出了 EEG 与 EMG 信号融合的方法，首先设计实验范式同步采集受试者的 EEG 与 EMG信号，其次分别对其进行预处理和特征提取，接着通过 PCA 和自编码器将 EEG 与 EMG 信号的特征进行融合，最后将融合的特征作为 SVM 的输入进行 4 类手部动作的识别。
来源|曲悦丹田授权分享，未经同意，禁止二次转载
参考：葛荣祥：运动想象脑机接口中模式识别方法研究
https://blog.csdn.net/InsectsAwaken_/article/details/108584746
仅用于学术交流，若有侵权，请后台留言，管理员即时删侵！
更多阅读
加入社群
欢迎加入脑机接口社区交流群，
探讨脑机接口领域话题，实时跟踪脑机接口前沿。
加微信群：
添加微信:RoseBCI【备注：姓名+行业/专业】。
加QQ群：104048131
欢迎来稿
1.欢迎来稿。投稿咨询，请联系微信：RoseBCI
2.加入社区成为兼职创作者，请联系微信：RoseBCI
助力脑机接口发展
点个在看祝你开心一整天!