基于小波与SVM的异步BCI运动想象脑电特征识别与空闲状态检测

本文研究关注的是异步脑机接口（Asynchronous Brain-Computer Interface, BCI）系统中的一个重要问题——运动想象诱发的脑电特征识别。在当前的BCI技术中，异步BCI与同步BCI相对，允许用户在任意时间自由地进行运动想象任务，而不受限于系统的时间提示，这使得用户具有更高的自主性和灵活性。为了实现更有效的系统性能，研究者采用小波变换作为特征提取工具，因为它能够捕捉到脑电信号中的细节信息，特别是在μ节律上，即当大脑进行单侧肢体运动想象时，会观察到事件相关同步（ERS）和去同步（ERD）现象。 在异步BCI中，关键任务之一是区分受试者处于空闲状态与正在进行运动想象的不同阶段。本文提出了一种阈值判别结合支持向量机（SVM）的二级分类策略。首先，通过计算小波能量阈值来检测空闲状态，这种方法利用了大脑在空闲状态下μ节律活动的变化规律。接着，使用径向基核函数（Radial Basis Function, RBF）作为SVM的核函数，RBF SVM具有良好的非线性建模能力，能有效区分左右手运动想象的脑电信号特征。交叉验证确保了模型的泛化能力，提高了分类的准确性。 实验结果显示，提出的分类器能够达到80.7%的最佳分类正确率，这个成绩对于异步在线运动想象BCI系统来说是非常可观的，因为这意味着系统能够在短时间内准确地理解用户的意图，减少误操作的风险。此外，整个过程的时间消耗仅3.0秒，这表明了该方法在实际应用中的高效性和实时性。 值得注意的是，这项研究还得到了国家基础科学人才培养基金、山西省研究生优秀创新项目以及山西省自然科学基金的支持，显示出该领域研究的前沿性和重要性。研究团队由乔晓艳博士和王春晖硕士组成，他们的研究方向包括神经信息处理和脑机交互技术，显示了他们在这个领域的专业实力。 总结来说，这篇论文为异步BCI系统中的运动想象脑电特征识别提供了一个有效的方法，不仅提升了系统的性能，也拓宽了我们理解和利用大脑意图进行交互的新途径。通过小波变换和机器学习技术的结合，该工作对推动BCI技术的实际应用和发展具有积极的意义。