基于SVM的运动想象脑电分类提升BCI系统性能

基于支持向量机框架的运动想象脑电分类是一项前沿的神经计算技术，由廖祥、尹愚、尧德中和吴丹在电子科技大学生命科学与技术学院神经信息中心进行研究。他们提出的创新方法旨在解决脑-机接口（BCI）系统中的一个重要问题，即如何实时、准确地解析大脑的运动想象活动，以便进行有效的大脑状态分类。传统的BCI系统依赖于对脑电信号进行精确处理，特别是μ和β节律（对应于9-13Hz的μ节律和18-22Hz的β节律），这些节律在想象运动时会发生显著的变化，表现为事件相关去同步（ERD）或事件相关同步（ERS）。 研究者们利用小波变换（Wavelet Transform）来提取这两种频率范围内的脑电数据的时频特征信息，这是一种能捕捉信号局部特性的强大工具。通过这种方法，他们能够更深入地理解脑电信号的时间变化模式。接着，他们采用支持向量机（SVM）这一强大的机器学习算法作为核心分类框架。SVM以其在高维空间中寻找最优决策边界的能力，在特征维度较低且存在冗余时仍能保持良好的性能，这一点对于脑电信号的复杂性尤其适用。 他们的工作重点在于设计一种单次脑电分类策略，即仅依据一次脑电信号样本就能准确预测用户的意动方向，这在实际应用中具有显著的优势，如在轮椅控制、假肢操作等场景中，快速响应至关重要。通过优化SVM的参数设置，他们实现了约10%的错误率，这是在单次在线分类任务中难得的高精度表现。 这项研究不仅展示了如何结合小波变换和SVM技术进行高效的运动想象脑电信号分类，而且证明了这种方法在提升BCI系统性能方面的潜力，为未来开发更智能、更便捷的人机交互系统奠定了坚实基础。同时，这也是首发论文级别的研究成果，意味着他们在该领域做出了开创性的贡献。