基于AAR模型的听觉MLR特征提取与注意力分类

本文主要探讨了基于自适应自回归(Autoregressive, AAR)模型的听觉诱发中潜伏期反应(MLR)特征提取在不同注意状态分类中的应用。MLR信号因其非平稳特性，对于脑机接口研究特别重要，特别是对于视觉障碍者，如闭锁综合症患者，采用听觉系统作为交互途径具有显著优势。 首先，研究从数据获取阶段开始，通过ICSChartrEP200诱发仪收集高质量的MLR数据，该设备利用四个电极（接地、采集和两个参考）记录受试者的反应。数据采集环境确保隔音且受试者处于放松状态，保证了实验的精确性。七名健康的受试者参与，无听觉或神经系统疾病，以确保实验结果的可靠性和有效性。 在数据预处理阶段，关键步骤是对原始MLR信号进行去噪，以减少噪声干扰，这是特征提取的重要基础。接下来，利用相对误差方差(REV)准则，文章对比了两种常用的信号处理方法：卡尔曼滤波和最小均方误差自适应算法。这两种算法被用来估计AAR模型的参数，卡尔曼滤波以其线性模型假设和递推性质而闻名，而最小均方误差自适应算法则更侧重于动态适应信号的非平稳特性。 利用支持向量机(Support Vector Machine, SVM)这一强大的机器学习工具，对两种方法估计的AAR模型特征参数进行分类。通过对这些特征参数的分析，结果显示，最小均方误差自适应算法在分类准确率上达到了77.45%，并且最大互信息值为0.3011，这表明其在提取和区分不同注意状态方面的表现优于传统的卡尔曼滤波。 结论部分强调了最小均方误差自适应算法在处理非平稳的MLR信号时的优势，为基于听觉的脑机接口研究提供了有效的特征提取策略。这种方法的应用不仅有助于理解大脑对听觉刺激的响应，还有望为康复工程、神经科学等领域提供新的研究手段，进一步推动无障碍交互技术的发展。