基于神经网络集成的运动想象脑电信号识别：提升识别率与泛化能力

本文主要探讨了一种基于神经网络集成技术的运动想象脑电识别方法，发表于2011年的《北京工业大学学报》第37卷第3期。该研究由李明爱、王莓和郝冬梅等人提出，针对的是运动想象过程中产生的脑电信号。他们采用了离散小波变换（DWT）作为信号预处理手段，以提取运动想象中左手和右手活动的关键特征。DWT是一种有效的频域分析工具，能够分解信号为不同频率成分，有助于识别关键模式。 接着，研究人员利用Bagging算法构建了神经网络集成（NNE）模型。Bagging，全称为Bootstrap aggregating，是一种集成学习方法，通过并行训练多个基础模型，然后取它们的平均或多数投票来提高整体预测性能。这种方法可以降低个体神经网络的配置难度，因为多个模型的组合通常能减少过拟合的风险，提升系统的稳定性和泛化能力。 研究者选择了相对多数投票法来决定NNE的输出结果，这是一种简单的集成策略，通过多数意见决定最终类别。相比于单一神经网络，这种方法在BCICompetition2003竞赛数据集上取得了更高的识别率，表明了集成方法在处理脑电信号分类任务中的优势。 最后，运动想象脑机接口（BCI）是本文研究的背景，它是连接人脑与机器的技术，允许用户通过思考而无需依赖常规的肌肉运动或神经输出通道来控制设备。文章强调了利用脑电特征进行运动想象分类的重要性，特别提到了支持向量机（SVM）和近似熵（ApEn）这两种常用的方法，尽管SVM以其强大的泛化能力和非线性映射能力而被广泛应用，但ApEn因其抗噪声特性在处理噪声较大的脑电信号时更具优势。 本文提供了一种创新的运动想象脑电识别方法，通过神经网络集成和特征选择技术，提高了识别精度，简化了系统设计，并展示了在实际应用中的优势。这对于理解和改进BCI技术，尤其是运动想象控制的应用，具有重要的理论和实践价值。