《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 人工智能 > 設(shè)計(jì)應(yīng)用 > 基于Pearson與FBRCSP的運(yùn)動(dòng)想象腦電分類研究
基于Pearson與FBRCSP的運(yùn)動(dòng)想象腦電分類研究
電子技術(shù)應(yīng)用
王鵬，譚理澤，馬云云
昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院
摘要： 腦機(jī)接口（BCI）為用戶提供了一種無(wú)需依賴外周神經(jīng)和肌肉的控制通道，廣泛應(yīng)用于神經(jīng)肌肉疾病患者的康復(fù)治療?；谶\(yùn)動(dòng)想象（MI）的BCI利用大腦在運(yùn)動(dòng)任務(wù)想象過(guò)程中的信號(hào)，實(shí)現(xiàn)無(wú)需肢體運(yùn)動(dòng)的控制。為提高M(jìn)I-BCI的分類性能，提出了一種結(jié)合皮爾遜相關(guān)系數(shù)通道選擇（PCCS）和濾波器組正則化共空間模式（FBRCSP）的方法。首先，通過(guò)PCCS對(duì)EEG信號(hào)進(jìn)行通道選擇，保留關(guān)鍵信號(hào)并去除冗余信息；然后，采用FBRCSP優(yōu)化空間模式提取判別性特征。在BCI Competition III IVa和IV Dataset I數(shù)據(jù)集上進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，PCCS-FBRCSP方法在分類準(zhǔn)確率和穩(wěn)定性方面優(yōu)于傳統(tǒng)方法，尤其在跨個(gè)體實(shí)驗(yàn)中展現(xiàn)出更強(qiáng)的魯棒性。同時(shí)，該方法有效降低了計(jì)算復(fù)雜度，具有較好的應(yīng)用潛力。
中圖分類號(hào)：R318；TN911.7 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.256334
中文引用格式： 王鵬，譚理澤，馬云云. 基于Pearson與FBRCSP的運(yùn)動(dòng)想象腦電分類研究[J]. 電子技術(shù)應(yīng)用，2025，51(10)：11-16.
英文引用格式： Wang Peng，Tan Lize，Ma Yunyun. Research on motor imagery EEG classification based on Pearson and FBRCSP[J]. Application of Electronic Technique，2025，51(10)：11-16.
Research on motor imagery EEG classification based on Pearson and FBRCSP
Wang Peng，Tan Lize，Ma Yunyun
Faculty of Information Engineering and Automation， Kunming University of Science and Technology
Abstract： Brain-computer interfaces (BCIs) provide users with a control channel that does not rely on peripheral nerves or muscles, making them widely used in the rehabilitation of patients with neuromuscular diseases. Motor imagery (MI)-based BCIs use brain signals generated during the imagination of motor tasks to enable control without physical movement. To improve the classification performance of MI-BCIs, this study proposes a method that combines Pearson correlation coefficient-based channel selection (PCCS) and filter bank regularized common spatial pattern (FBRCSP). First, PCCS is used to select relevant channels from EEG signals, retaining key information and removing redundancy. Then, FBRCSP is employed to optimize spatial patterns and extract discriminative features. The proposed method is validated on the BCI Competition III IVa and IV Dataset I datasets. Experimental results demonstrate that the PCCS-FBRCSP method outperforms traditional approaches in terms of classification accuracy and stability, particularly in cross-individual experiments, exhibiting stronger robustness. Additionally, the method effectively reduces computational complexity and holds great potential for practical applications.
Key words : brain-computer interface；motor imagery；Pearson correlation coefficient；channel selection；RBRCSP；feature extraction

引言

腦機(jī)接口（Brain-Computer Interface，BCI）為用戶提供了一種無(wú)需依賴正常外周神經(jīng)和肌肉輸出的控制與交流通道[1]。作為醫(yī)療應(yīng)用，BCI設(shè)備被廣泛用于幫助患有神經(jīng)肌肉疾病的患者。在多種類型的BCI中[2-4]，基于運(yùn)動(dòng)想象（Motor Imagery，MI）的BCI利用與運(yùn)動(dòng)相關(guān)任務(wù)想象的大腦信號(hào)[5]。研究表明，當(dāng)受試者想象特定運(yùn)動(dòng)時(shí)，在大腦的感覺(jué)運(yùn)動(dòng)皮層區(qū)域采集的腦電圖（Electroencephalogram，EEG）信號(hào)中，μ（8~13 Hz）和β（13~30 Hz）頻段會(huì)出現(xiàn)顯著的相對(duì)功率變化[6-7]。這些EEG信號(hào)中的功率變化隨后通過(guò)模式識(shí)別方法進(jìn)行處理和分類，以實(shí)現(xiàn)對(duì)外部設(shè)備的控制[8-9]。

在腦信號(hào)中，EEG信號(hào)是BCI系統(tǒng)中最常見(jiàn)的信號(hào)，因?yàn)樗哂蟹乔秩胄?、便攜性、低成本和高時(shí)間分辨率[10]。盡管較多的EEG通道能夠提供更多關(guān)于大腦背景神經(jīng)活動(dòng)的信息，但它也由于噪聲引入冗余，導(dǎo)致數(shù)據(jù)維度增高[11]。因此，通道選擇方法對(duì)于提高基于MI的BCI的性能是必要的[12]?；贛I的BCI通常使用C3、C4和Cz通道，因?yàn)檫@些通道位于與運(yùn)動(dòng)相關(guān)的感覺(jué)運(yùn)動(dòng)皮層區(qū)域，能夠有效捕捉與運(yùn)動(dòng)想象相關(guān)的EEG信號(hào)。然而，人工選擇存在較高的主觀性和局限性，可能影響B(tài)CI系統(tǒng)的可靠性和可擴(kuò)展性。為此，許多自動(dòng)化的EEG通道選擇算法應(yīng)運(yùn)而生，這些方法通常分為基于包裝器和基于過(guò)濾器兩類。

基于包裝器的方法結(jié)合了特定分類器的性能評(píng)估，并通過(guò)交叉驗(yàn)證等策略優(yōu)化通道選擇。例如，Wang等人[13]設(shè)計(jì)了一種基于典型相關(guān)分析的通道選擇方法，該方法通過(guò)支持向量機(jī)（Support Vector Machines，SVM）分類器的交叉驗(yàn)證迭代更新通道選擇的權(quán)重。這類方法通常需要較長(zhǎng)的計(jì)算時(shí)間，并且其性能依賴于所選分類器的有效性。為提高計(jì)算效率，許多研究采用了進(jìn)化計(jì)算方法（如遺傳算法、人工蜂群算法等），這些方法能夠在優(yōu)化通道選擇的同時(shí)，保持較高的計(jì)算效率[14]。相比之下，基于過(guò)濾器的方法通常通過(guò)計(jì)算通道的獨(dú)立性或與任務(wù)相關(guān)的特征來(lái)進(jìn)行排序，計(jì)算量較低。Jin等人提出了一種基于雙譜特征和F分?jǐn)?shù)的信道選擇方案[15]。盡管這些方法能有效減少計(jì)算時(shí)間，但它們通常不考慮分類器性能，因此無(wú)法充分利用分類器的優(yōu)勢(shì)。

特征提取可以從腦電信號(hào)中獲取有用的信息。共空間模式(Common Spatial Pattern，CSP)是一種在空間域提取EEG特征的優(yōu)秀方法[16]。但CSP對(duì)噪聲高度敏感，泛化能力低[17]。因此，CSP有各種改進(jìn)的擴(kuò)展。在MI分類中，CSP通常采用較寬的濾波頻帶(即8~30 Hz)，但越來(lái)越多的研究表明，濾波頻帶的優(yōu)化可以顯著提高分類精度[18]。迄今為止，主要提出了兩種方法來(lái)解決濾波器頻帶選擇的問(wèn)題，一種是在CSP中同時(shí)優(yōu)化頻譜濾波器[19-20]，另一種是從多個(gè)頻帶中選擇重要的CSP特征[21]。共空間譜模式(Common Spatio-Spectral Pattern，CSSP) [22]將CSP算法擴(kuò)展到狀態(tài)空間，以提高精度。與此同時(shí)，CSP濾波器的頻帶對(duì)MI-BCI的精度起著至關(guān)重要的作用。濾波器組共空間模式(Filter Bank Common Spatial Pattern ，F(xiàn)BCSP)[23]就是一個(gè)重要的例子。同時(shí)，一些研究者將正則化技術(shù)應(yīng)用于CSP， Lu等人[24]提出了一種正則化共空間模式（Regularized Common Spatial Pattern ，R-CSP）算法，通過(guò)正則化協(xié)方差矩陣估計(jì)來(lái)提高EEG信號(hào)分類的穩(wěn)定性，且通過(guò)聚合多個(gè)R-CSP模型進(jìn)一步提升了性能，特別適用于小樣本學(xué)習(xí)問(wèn)題。Kang等人[25]提出了一種復(fù)合CSP方法，通過(guò)結(jié)合多個(gè)受試者的協(xié)方差矩陣來(lái)進(jìn)行受試者間的轉(zhuǎn)移，從而改善了EEG分類性能，尤其是在訓(xùn)練樣本較少的情況下。

盡管現(xiàn)有的通道選擇和特征提取方法已取得一定進(jìn)展，但仍面臨冗余通道、噪聲干擾及頻帶優(yōu)化等問(wèn)題。為此，本文提出了一種基于皮爾遜相關(guān)系數(shù)的通道選擇方法(Pearson Correlation Coefficient-based Channel Selection，PCCS）。該方法通過(guò)計(jì)算EEG信號(hào)各通道之間的相關(guān)性，篩選出與MI相關(guān)性較強(qiáng)的通道，從而有效減少冗余信息。接著，采用濾波器組正則化共空間模式（Filter Bank Regularized Common Spatial Pattern，FBRCSP）對(duì)選定通道進(jìn)行特征提取，結(jié)合濾波與正則化策略，進(jìn)一步提升特征的判別能力。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://ihrv.cn/resource/share/2000006799


作者信息：

王鵬，譚理澤，馬云云

（昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500）


subscribe.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。