脑机接口下运动想象 EEG 信号特征提取与89.3%识别率

本文主要探讨了在计算机三级嵌入式领域中的一个重要知识点——特征提取，特别是在脑机接口（Brain-Computer Interface, BCI）系统中，利用脑电图（Electroencephalogram, EEG）信号的特征提取与分类技术。具体针对运动想象（Motor Imagery, MI）这一BCI实验范式，作者参考了第二届国际脑机接口竞赛的数据。 首先，数据预处理是关键步骤，通过2.5~25Hz的带通滤波来排除噪声，仅选择第3秒后的6秒数据进行分析，这是因为运动想象主要发生在这一时间段。训练集和测试集分别由140个已知标识样本和140个未知标识样本组成，通过对训练集的两类样本进行分离，形成最终用于特征提取的训练样本矩阵。 特征提取分为三个阶段：1) 公共空间模式（Common Spatial Pattern, CSP）滤波，这是一种常用的处理神经信号的方法，可以减少不同脑电信号源之间的干扰，突出与任务相关的信号特征；2) 连续小波分析（Continuous Wavelet Transform, CWT），通过时频分解进一步分析信号的局部细节和变化特性；3) T加权方法，这种方法被用来综合多个特征维度，提取出对分类最具区分度的特征向量。 支持向量机（Support Vector Machine, SVM）在此过程中扮演了核心角色，作为一种强大的监督学习模型，它被用来构建分类器。通过这些步骤，作者设计了一种算法，对来自BCI Competition II的数据进行了处理，实验结果显示，该算法表现良好，最终识别准确率达到了89.3%，这证明了特征提取在脑机接口系统中对于提升性能和实现无动作人机交互的可行性。 本文介绍了脑机接口中利用EEG信号的特征提取技术，包括CSP滤波、连续小波分析和T加权特征提取等方法，以及如何结合支持向量机进行有效分类。这对于理解和应用嵌入式系统中的BCI技术具有重要的理论指导意义。