认知机器人1（2021）111脑控机器人黄紫阳，王梅XiaRT i cL e i nf o关键词：机器人脑电信号预处理特征提取特征分类a b sTR a cT基于脑电信号的脑-机接口（BCI）可以为人类提供一种与外界交流的方式。这种方法不依赖于身体的外周神经和肌肉组织。脑控机器人是在脑-机接口技术和机器人控制技术基础上发展起来的一项新技术。这项技术允许人脑控制机器人执行一系列动作。脑电信号的处理在脑控机器人技术中起着至关重要的作用。本文对近年来脑电信号处理的方法进行了综述。为了更好地发展脑控机器人中脑电信号的处理方法，本文从脑电信号预处理、特征提取和特征分类三个方面进行了详细阐述。同时介绍了相关性分析的方法和研究内容。本文对这些方法的优缺点进行了分析和比较。最后，本文对脑控机器人过程中脑电信号的处理方法进行了展望。介绍自1959年世界上第一台工业机器人发明以来，机器人技术在各个领域得到了迅速发展。它逐渐取代了生产和生活中的各种工作。当今社会的人们为了控制机器人，人们必须依靠键盘，鼠标，鼠标。然而，这些操作方法不适合老年人或残疾人。因此，一些针对特定人群的辅助设备逐渐出现在人们的生活中，如单开关系统、眼动追踪系统等BCI技术是一门融合了神经网络、计算机科学、系统识别和模式识别的多元化新兴学科同时，它又是一种新技术，人们可以不依赖它与外界进行交流 对大脑和人体肌肉的中枢神经回路[4，5]。脑控机器人是以脑机接口技术为基础的。它通过分析脑电信号来读取动作指令。因此，它可以直接代替大脑神经和人体肌肉，与外部设备建立独特的连接通道脑控机器人技术是将机器人控制技术相结合随着计算机技术的飞速发展，脑机接口技术为脑电信号在机器人控制中提供了更广阔的应用空间。脑电信号处理作为脑机接口的关键技术，对脑机接口在机器人等控制设备中的应用起着至关重要的作用。使用EEG信号的过程通常可以分为五个阶段[6脑电信号的应用一般分为：信号采集、预处理、特征提取、特征分类和利用分类结果控制外部设备。使用EEG信号的过程如图所示。1.一、*通讯作者。电子邮件地址：wangm@X ust.edu.cn（M. Wang）。https://doi.org/10.1016/j.cogr.2021.07.001接收日期：2021年5月11日;接收日期：2021年7月12日;接受日期：2021年7月18日2021年7月22日在线提供2667-2413/© 2021作者。Elsevier B. V.代表KeAi Communications Co. Ltd.提供的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表认知机器人期刊首页：http://www.keaipublishing.com/en/journals/cognitive-robotics/Z. Huang和M. 王认知机器人1（2021）111112预处理特征提取特征分类减法主成分分析盲源分离方法小波变换公共空间模式独立分量分析小波变换小波包变换功率谱密度Fisher分类器支持向量机黎曼几何分类器人工神经网络深度学习EEG信号采集反馈控制装置Fig. 1. BCI系统结构图虽然脑控机器人具有极其广阔的研究前景，但仍有许多挑战和困难需要解决。当前的这些挑战是脑机接口技术只能在实验室中使用而不能广泛应用于日常生活的主要原因。脑控机器人技术目前面临的挑战主要有以下几点。(1) 目前许多脑电模式在使用时仍存在不适和疲劳、信息传输速率低等问题。因此，应通过测试选择特征较好的脑电信号(2) 信号是否可以实时在线处理的问题。如果在线信号处理不能实时处理，机器人就不能保证其实时控制精度。(3) 如何在系统实时运行时给出反馈。如果触觉、视觉或听觉反馈不能做到实时可靠，将不利于系统回路的组成和控制过程中偏差的校正(4) 由于个体差异，BCI系统将具有不同的操作效果。研究如何修改参数以使个别差异不会影响系统也是非常具有挑战性的。(5) 显然，繁琐繁琐的操作系统在实际要求下是无法满足要求的。无线传输实现便携性和使用微处理器取代计算机实现小型化也有更迫切的需求。(6) 同步和异步模式的问题即解决非控制时间段内发送的错误控制命令，消除自发脑电非控制信号的干扰(7) 为了便于控制和维护，机器人应实现控制精度、人性化和灵巧化的机构设计。服务机器人要适应更广阔的应用领域和活动空间，进而具备更强的适应外部环境的能力。本文的结构如下：第二部分介绍了脑电信号的相关知识第三部分介绍并比较了脑电信号数据预处理方法第四部分介绍了脑电信号的特征提取方法，并对各种方法进行了比较第五部分总结了脑电信号的特征分类方法。第六部分对脑控机器人过程中脑电信号的处理方法进行了总结和展望EEG信号脑电信号是人体各功能系统的中枢神经模块和各区域神经细胞相互作用的结果，其组成机制十分复杂。脑电在不同的心理状态下也会表现出不同的信号脑机接口（BCI）是一种通过人类不同状态下的情绪和感受的特异性来提取和识别信号特征在现代医学中，常常利用脑电信号的不同频率进行分类。脑电节律的变化范围在0.5 ~ 40 Hz之间，可分为A波、B波、A波、B波，如图2所示。不同频段的脑电信号特征如表1所示。(1) 信号非线性：脑电信号具有非线性、主动性和时变因果性。它是一个非常复杂的、时变的、非线性的动态系统。(2) 信号微弱：正常脑电信号微弱。人体的自发脑电电位一般在2uV ~ 75 uV之间。脑电是由精神、思维和感觉产生的。它较弱，约为2 ~ 10 uV，常混在自发脑电中，不易检测。(3) 频率范围小：人脑电的频率一般为0.5Z. Huang和M. 王认知机器人1（2021）111113图二、不 同 节律下脑电信号的波形和频率表1不同频段的脑电特征。类型字符δ波带（0.5这个波段有很大的振幅。它通常发生在成年人处于深度睡眠或大脑因缺氧而肿胀它是婴儿大脑的主要波段Theta频段（4当成年人有负面情绪时，这种波动最为明显。Alpha波段（8它出现在大脑的后部和两侧。它通常发生在大脑清醒或闭着眼睛休息该波段是脑电信号的基本波段Beta频段（14这时大脑皮层比较兴奋，人在这个过程中精神压力很大β波常用于表达大脑皮层神经元的兴奋状态伽玛带（>30 Hz）伽玛带出现在身体的感觉皮层同时，脑电信号具有以下特点：(4) 强噪声：由于混合噪声信号的来源复杂，往往含有较多的噪声。常见的噪声包括工频干扰、白噪声和尖峰。此外，通常存在EMG伪影和ECG伪影。(5) 强随机性和非平稳性。由于各种复杂因素的影响，它们一直在不断变化，但没有明显的规律。(6) 出色的频域特性。脑电信号的频域特征更为突出。信号数据预处理脑电信号是一种反映大脑活动的生物电信号。由于高时变灵敏度，在收集过程中受到外部干扰。例如，眼球运动、眨眼、ECG和EMG将向准确的EEG信号添加噪声。这些干扰噪声通常被称为伪影。噪声给脑电信号的分析带来了很大的困难[11，12]。此外，脑电信号中的伪影也会影响对脑电信号的分析。因此，它对EEG信号的特征提取和分类具有重大影响。由于脑电信号的不稳定性和不规则性，使得脑电信号的处理更加复杂。此外，委员会认为， 很难直接从中分析出内在联系。因此，在正常情况下，对信号进行一定量的预处理。通过预处理，可以得到具有特定规律的信号。因此，在脑电信号的特征提取算法中，必须首先对采集到的脑电信号进行处理。其主要目的是去除信号中的伪影和噪声，便于后期处理和使用[13]。脑电信号的预处理主要需要考虑两个方面。部分噪声来自设备本身和线路的干扰。另一方面，它考虑信号质量是否具有视觉伪影和ECG伪影[14，15]。一般来说，设备本身和线路的干扰可以通过消除极限漂移或消除工频干扰和带通滤波来滤除。对于所获得的EEG信号中掺杂的诸如EOG和ECG的各种伪影的滤波，可以使用自适应滤波、空间滤波和盲源分析来滤除噪声。脑电信号的预处理方法如图所示。3.第三章。Z. Huang和M. 王认知机器人1（2021）111114为了限制漂设备本身与线路之间的干扰消除工频干扰脑电信号处理带通滤波器自适应滤波信号是否包含EOG伪影、EMG伪影空间滤波盲源信号分离减法图三. 脑电信号预处理方法减法（AS）是一种较早的噪声去除方法。这种方法很容易理解。同样，很清楚因此，我们可以将其应用于去除眼球运动。它是人工制品的减法。此方法是在所观察到的EEG和EOG符合线性组合且不相关的条件。此外，可以从记录的EOG估计眼睛运动。然而，由于EEG和伪影彼此重叠，这种减法与基于回归的方法一样，会错误地排除某些EEG分量[16，17]。为了使用这种方法，必须满足以下三个条件。(1) 假设所收集的受试者的EEG信号和伪影信号线性相加。(2) 可以测量眼部伪影。(3) 脑电信号与伪影信号之间不存在相关性。它通常使用最小二乘法来确定值。由于眼电伪影与脑电信号之间的幅值差异很大，可以直接通过测量得到。因此，伪影减法的方式可以用于去除眼电图伪影。Huang等人。[18]提出了一种更好的自适应滤波器来去除眼球运动并实时确定参数。Zamanian和Farsi[19]提出了一个很好的“多源EOG”方案，以去除EEG中不受EEG影响的眼电图分量。然而，很难对头皮上的EEG信号的传播路径进行建模和比较。Rao和Reddy[20]使用非线性递归最小二乘法来训练滤波器。Rao开发了一种可以在当前时间内去除眼电图伪影的系统然而，该方法必须使用合适的眼电图参考模型进行训练。此外，它仍然取决于分析师的经验主成分分析目前，主成分分析（PCA）是最常用的去噪处理方法。在脑电信号处理过程中，眼电的噪声干扰对脑电信号的干扰更为显著[21，22]。采用主成分分析法对采集的数据进行分解。然后从收集的数据中减去分离的眼电分量。这样就可以在不受眼电干扰的情况下获得脑电数据。去除眼伪影的PCA算法的基本原理是：假设脑电信号和视觉信号正交。将原始的n维特征数据映射到正交的k维特征空间，实现原始信号的特征分离。基于EEG导联的分布，PCA算法将信号分解为独立分量。它去除了不必要的成分，并重建了脑电信号，以消除噪声。Cao等人[23]提出了PCA和Fisher评分算法来消除背景噪声。利用驾驶员的表观特征进行疲劳驾驶的监测。与其他算法的分类结果相比，PCA算法的分类结果在波段内具有更高的精度。此外，实验结果还表明，利用分量分析算法对数据进行降维和去噪是非常有效的。Z. Huang和M. 王认知机器人1（2021）111115Chang等人。[24，25]提出了PCA去除眼电图伪影的方法。当受试者完成眼球运动和眨眼任务时，记录EEG和EOG信号。然后，这些信号的主分量被计算为：眼球运动和眨眼伪像的主要成分。从混合信号中去除该分量以获得校正信号。Turnip的研究表明，PCA在噪声滤波效果上明显优于回归方法和偶极子方法。然而，该算法不能完全分离与其波形相似的电位噪声。成分分析法可以在信息损失最小的前提下寻找替代变量，实现降维。然而，对于某些分类问题，很难得到一个好的分类结果。Lin和Hsieh[26]使用主成分分析作为辅助方法来降低EEG分类中特征空间的维数。该算法用于左右手运动想象。实验结果表明，该方法能取得较好的分类效果根据研究[27]，成分分析方法可以提取脑电信号中的伪迹成分，并在去除伪迹成分后重建脑电信号盲源分离方法盲源分离（Blind Source Separation，BSS）是近年来迅速发展起来的一种强有力的信号处理方法盲源分离是人工神经网络、统计信号处理、信息论和计算机系统相结合的一种较好的该方法已成为许多领域，特别是图像处理、遥感、雷达和通信系统中的重要研究和发展课题科学数据挖掘做出了突出贡献[28脑电信号是由脑神经细胞的生物运动产生的微弱脑电信号的非平稳特性和微弱电信号是脑电信号采集过程中由于脑电信号和眼电伪迹是相互独立的，因此可以采用盲源分离算法来消除眼电伪迹，从而解决这一问题。最常见的盲源分离方法是独立分量分析（ICA）[31，32]。在生物医学信号处理、混合语音信号分离、图像去噪等方面取得了良好的应用效果。ICA的思想来源于中心极限定理：一组均值和方差为同一数量级的随机变量的结果必须接近高斯分布。由统计独立源线性组合产生的混合信号的分离结果当这些信号达到最大值时，这些混合信号可以被认为是实现分离。Liu等人[33]对闭眼躺着的儿童的EEG执行伪影去除。他通过观察分析的独立成分来然而，该方法缺乏对ICA去噪效果的定量分析Gao等人。[34]使用相同的方法对三个实验数据集进行ICA去噪。他们通过图表将结果与PCA和回归算法分析进行比较，但没有进行定量分析。Sadleir等人。[35]提出了一种在ICA分析后自动提取和去除眼动伪影的方法。该结果与人工ICA去噪效果相当，对进一步推广ICA算法具有深远意义盲源分离方法不需要参考电极的伪影在EEG信号的预处理它可以用于各种伪影的分离，在去除伪影方面具有高精度。ICA算法去噪也存在一些需要解决和探讨的问题。例如，大多数EEG信号是多个神经元联合活动的结果。当源的数目大于传感器的数目时，分离源信号是一个问题小波变换小波变换是地球物理学家在分析处理地球物理勘探数据时提出的一种新方法.它在非平稳信号的处理和分析中有很好的效果。小波变换是傅立叶变换的发展。与傅立叶变换相比，小波变换具有良好的时频特性[36，37]。它采用了在时域和频域改变窗形的方法。即在低频部分具有较高的频率分辨率和较短的时间此外，WT被称为“数学显微镜”[38]。小波阈值法去噪是一种基于小波变换多分辨率分析的去噪方法含噪信号经过小波变换的多分辨率逐步分解。噪声离散细节信号的幅值随小波变换尺度的增大而减小然而，小波变换系数与有价值信号的尺度之间的关系是相反的。利用含噪信号小波变换的特点，可以选择合适的阈值，对信号进行小波变换后的各个尺度上的离散细节进行处理。最后，对近似信号和处理后的离散细节进行小波逆变换，重构信号。通过这些步骤，达到去噪的目的Ramanan等人[39，40]采用Haar小波检测癫痫患者的眼动伪影。实验表明，当人眼由开到闭，由闭到开时，得到了一个具有微小延迟的下降沿和上升沿。Ramanan使用此功能来准确检测眼电图伪影发生的时刻。然后他用它来控制小波滤波器和缓冲器，以确保小波滤波器只在眼球运动发生时去噪。这一发现解决了临床上癫痫波与闪烁伪影难以区分的问题脑电信号预处理方法在脑电信号的预处理方法中，滤波方法是一种经典的方法，通常用于滤除脑电信号中掺杂的工频干扰和电磁干扰此外，要求目标信号和Z. Huang和M. 王认知机器人1（2021）111116表2脑电信号预处理方法的优缺点比较预处理方法优点缺点参考文献由于错误估计伪影，部分EEG信号将丢失[18PCA减少数据维数滤波不良[23，34，25BSS计算效率高计算量大[33WT实现不同尺度下的数据重构，具有良好的小波基选择要求较高[39，40]加工效果伪像信号频谱不重叠。另一方面，回归和伪影减法通常用于去除眼动干扰。前者假设视觉电位的传输频率是独立的， 没有延迟。后者假设目标信号和伪影信号线性叠加以估计伪影。这两种方法的缺点是在去除伪迹的同时不可避免地丢失了部分脑电信号此外，主成分分析通常用于降低所收集的多通道数据的维数。有利于后续的分析和数据处理。独立分量分析方法利用最优化算法将多通道观测信号按统计独立性分解为若干独立分量应用的重点是目标函数的选择和优化算法。小波变换方法是 多尺度时频分析工具。该方法可以对不同尺度下的脑电信号进行小波系数的提取和重构。 它可以有效地去除伪影。在应用环境中，必须根据具体情况选择合适的小波基。EEG信号预处理方法的优点和缺点如下表2所示。脑电信号的预处理方法很多每种方法都有其优点和局限性。具体用户需要根据具体情况选择由于脑电信号的多通道特性，主成分分析常用于研究降维问题。独立分量分析方法提取独立分量。它还可以在去除干扰信息的同时提取感兴趣的数据总之，脑电信号预处理的主要目的是去除干扰，同时保留实际成分。根据这些方法，我们将提取具有较高识别率的特征信息。为了满足更高精度的要求，目前的伪影方法通常将两种或两种以上的方法结合起来。这些混合方法更好地从EEG信号中去除噪声脑电信号特征提取原始脑电信号经过预处理后成为相对纯净的脑电信号然而，由于脑电信号数据量大此外，需要特征提取来降低数据维度[41，42]。脑电信号的特征提取主要基于时域、频域和空间域三个方面[43，44]。脑电信号时域特征提取方法具有较强的直观性。特定波形易于识别，特征意义明显。在时域特征提取方法中，重点是基于波的形状和强度来提取特征，例如最大和最小幅度、过零点、均值和均方误差。频域特征分析法主要观察一定长度的脑电信号的频谱，可以得到脑电信号中各个节律的分布和变化。其主要指标有频率均值、频率方差、频率标准差。空间域分析方法主要通过空间投影进行降维，将多个变量转化为少量的主成分。实现了脑电信号特征信息的提取。脑电信号的时域和频域特征提取方法主要包括傅立叶变换、小波变换和自回归算法。空域中的特征提取算法主要有公共空间模式、主成分分析、公共平均参考等算法[45共同空间格局公共空间模式（CSP）是一种用于两个分类任务的空间滤波特征提取算法首先，它可以从多通道脑机接口数据中提取CSP算法的基本原理是使用可对角化矩阵来找到一组用于投影的最佳空间滤波器。其次，最大化两类信号的方差，从而获得具有更高区分度的特征向量[48CSP主要用于处理BCI运动想象脑电数据。其基本思想是设计一个空间滤波器来处理EEG信号，以获得一个新的时间序列，使得一种类型的信号具有最显著的方差。此外，另一个有一个小的差异。优点是不需要预先选择特定的频段。缺点是它对噪声敏感，并且依赖于多通道分析。为了解决这一问题，传统的基于频率特征的脑电信号特征提取方法只提取各通道的能量特征。它忽略了每个通道之间的相关信息。Z. Huang和M. 王认知机器人1（2021）111117Feng等人。[51]提出了一种基于小波包和CSP的新方法，以获得更好的特征提取结果。首先，在分析脑电信号中与事件密切相关的通道和频带的基础上，对脑电信号进行小波包分解。然后提取脑电信号的活动，并想象合作的节奏。然后利用CSP算法进行空间滤波提取特征，并选取相关节点计算小波包能量。结合小波包方法和CSP方法的优点，可以充分利用不同通道间的相关信息。分类结果表明，本文提出的基于小波包分解和CSP的特征提取方法能够提取运动图像脑电信号的有用特征，并获得较高的分类精度。Saha等人[52]提出了一种在EEG信号的频域中实现CSP的新方法。它可以实现特征提取 的EEG信号。此外，它可以实现一种基于频域CSP的随机变量特征提取方法。该算法从脑电信号的频域信息中提取时域上采样率较高的特征为了实现这个想法，它首先收集了几个健康受试者的EEG数据。这些数据与左右图像的运动刺激有关。然后，对这些信号进行适当的处理。此外，根据不同的刺激类别将数据分离。结果表明，基于CSP方法的分类准确率可提高10%。Park和Chung[53]提出了一种新的基于EEG的全局CSP特征提取和分类方法。比较由于CSP特征提取方法的局部特征与全局特征之间存在显著差异，分类性能较传统方法有所提高此外，它可以实现更高的精度。这种全局优化的CSP特征提取方法特别适用于小样本数据。独立分量分析独立成分分析（ICA）用于发现统计数据中隐藏的因素或成分。ICA也是一个广泛的使用盲边缘分离方法来揭示隐藏在随机变量或信号中的信息[54，55]。该方法用于从混合信号中提取独立的信号信息[56，57]。它是在20世纪80年代提出的。根据ICA算法原理，眼动伪影、心电信号伪影和工频干扰都是由独立的信号源产生的，它们在统计上是独立的。分离出来提取有用的脑电信号。ICA算法为分离和去除脑电信号中的眼动伪迹独立组件应相互独立这是ICA建立的基本原则同时也可以说，只有用这个原理，我们才能估计这个模型独立分量必须是非高斯的。高斯分布的高阶累积量为0，但高阶信息是估计ICA模型所必需的。Pontifex等人[58]讨论了眼动伪影ICA分量的自动分离方法，该方法可以避免头皮脑电中与眼动伪影分布相似的信号分量的错误分离。它还减少了人工确认伪影可能导致的错误。Paradeshi等人[59]使用独立分量分析技术进行伪影抑制。利用Haar小波对脑电信号进行了静态分割。与以往的方法相比，现有方法的结果更令人满意。小波增强ICA算法适用于去除人眼伪影。Samadi和Cooke[60]提出了一种基于独立分量分析的特征提取方法，以应用稳态视觉诱发（SSVEP）实验。实验结果表明，原始脑电信号与ICA重建的“干净”脑电信号提取的特征进行了比较。从ICA分量中提取频率特征进行SSVEP响应检测，具有较高的SSVEP响应检测精度和较低的人与人之间的差异。本文的工作表明ICA在源信号分离方面具有良好的性能，能够更好地满足脑电信号的鲁棒性要求Subasi和Gursoy[61]提出了一种独立分量参考分析方法。这种方法是一个约束的范例，将所需的源作为参考信号的ICA的比较功能的参考信号使搜索更倾向于分离出目标源，比传统ICA更有效、更准确小波变换和小波包变换小波变换是一种用于非平稳信号的时间尺度分析方法它可以在时域和频域上表征信号的局部特征小波变换强调信号的特征，通过伸缩和平移操作，在多尺度上对信号进行细化因此，提高了信号高频处的时间分辨率信号时频分析要求自动适应。在小波变换分解过程中，只对信号的低频部分进行高频部分不分解。因此，随着信号频率的增加，频率分辨率降低[62，63]。小波包变换（WPT）对高频信号的频率分辨率因此，一种性能优良、信号分析能力强的小波包基函数得到了广泛的应用。小波变换一般分为连续小波变换和离散小波变换。虽然连续小波变换的出现显著改进了傅立叶变换，但它也带来了显著程度的信息冗余。Cárdenas-Barrera等人。[64]提出了一种基于香农熵的WPT EEG数据压缩算法。该算法能够很好地压缩数据，并保持信号的完整性，具有良好的线性调频信号调制和MAE。该方法可用于分析和检测脑电信号中癫痫事件的WPT。Zhou等人[65]介绍了一种基于SVM和小波变换的睡眠纺锤波检测算法，以准确检测EEG信号中的睡眠纺锤波该方法充分利用了小波变换的高分辨率，在谐波分析中具有较高的特征提取精度Z. Huang和M. 王认知机器人1（2021）111118Hu等人[66]介绍了一种基于小波变换的短时脑电特征提取算法。首先，对特定导联上的EEG信号进行小波分解，并重建频率同步函数，包括事件相关，以去除冗余信息。然后利用短时傅立叶变换提取运动图像的特征并将这些特征可视化。最后，卷积神经网络用于分类。这种方法适用于两种的BCI竞赛运动成像EEG数据集。实验结果表明，分类识别率可达96.67%。功率谱密度脑电信号是一种非平稳随机信号。一般来说，随机信号的持续时间是无限的。此外，随机信号的总能量是无限的。随机过程的任何样本函数都不满足绝对条件。它的傅里叶变换不存在[67]。然而，随机信号的总能量是无限的。平均功率是有限的。因此，要分析随机信号的频域，只能从功率谱进行研究[68因此，功率谱密度（PSD）常被用来分析脑电信号的频域特征。功率谱密度是随机变量的均方值的度量，其是每单位频率的平均功率维数。Kocak[71]建立了一种基于功率谱分析的小鼠睡眠分期方法。通过在小鼠体内放置电极，利用多导脑电记录系统采集大脑皮层和颈部然后利用数据分析软件建立原始脑电信号的功率谱密度谱图。最后，结合小鼠睡眠的生理特征和视频，由功率谱密度谱确定小鼠各睡眠时段的时间间隔。结果表明，与人工视觉分析电信号波形的睡眠分期结果相比，基于功率谱密度谱分析的小鼠睡眠分期结果符合率在91%以上。Min [72]使用功率谱密度和分形维数来评估儿童睡眠梭形期“之前”、“间隔”和“之后”之间的差异。结果表明，“间隔期”与“前后期”之间存在统计差异。数字也有很大的不同。这些差异有助于理解睡眠纺锤波的变化。特征提取方法的优缺点脑电信号具有较突出的非平稳、非线性等频域特征，决定了其分析方法。因此，它更适合于时域分析和非线性方法。近年来，脑电信号的波形特征描述、自回归AR模型、傅立叶变换、功率谱密度、小波变换、人工神经网络、非线性动力学分析等分析处理方法得到了深入的研究。然而，这些方法也有其优点和局限性。功率谱分析方法从频域的角度对脑电信号进行分析，能很好地反映信号的能量变化过程。传统的功率谱分析方法是直接通过傅立叶变换估计功率谱。虽然它易于实现，但分辨率能力有限。现代功率谱估计中常用的方法是AR模型。与传统的AR模型的功率谱方法进行了比较。该方法的优点是只需要短距离的数据，以获得高分辨率的频谱估计。此外，它可以很容易地转换为特征向量。小波变换方法在时域和频域上对信号进行联合分析小波变换具有多分辨率特性，可以将信号的各个频带然后对各个频段的信号进行此外，小波变换在对信号进行分解和重构的过程中，可以提取信号的隐藏特征独立分量分析采用ICA方法对脑电信号进行分析，从脑电信号中提取心电信号和眼电信号该方法能有效地分离工频干扰等噪声信号，从而有效地提高了对脑电信号的分析能力。CSP算法的基本原理是通过同时对角化两个协方差矩阵来设计最佳空间滤波器。然后区分左手运动想象和右手运动想象的脑电信号特征该方法最适合于运动想象脑电信号数据。总之，不同的脑电信号特征提取方法各有其适用的地方。同时，它有其独特的优势和劣势。也有可能将这些方法相互比较组合起来。EEG信号特征提取的具体优点和缺点如下表3所示。脑电信号的特征分类不同的运动或感觉可以产生不同的大脑电反应特征。信号分类是基于这些特征来确定运动或意识的类型。这种方法可以确定意识和信号之间的关系[73，74]。脑电信号经过处理和提取后，由分类器对提取的特征向量进行分类，实现对脑电信号的分析和预测。EEG信号特征分类中常用的分类器包括Fisher分类器、支持向量机、黎曼几何分类器、人工神经网络和深度学习。Z. Huang和M. 王认知机器人1（2021）111119表3脑电信号特征提取算法的优缺点算法优点缺点参考文献CSP适合处理运动想象数据需要更多电极[51小波变换对时域和频域信号都有很好的处理能力，可用于非平稳信号对噪音缺乏反应[64，65]WPT它可以用于非稳态信号，具有更好的处理细节计算时间太长[66]PSD具有良好的稳定性特性不适用于非稳态信号[71，72]Fisher分类器线性判别分析的分类器是Fisher在1936年提出的一种线性学习方法该方法的主要思想是为给定的训练样本集找到合适的投影方向，并将样本投影到直线上。这些相似的投影点尽可能集中此外，不同类型的投影点试图远离。然后，用同样的方法对新样本进行分类，根据新样本在直线上的投影点位置确定新样本类别。因此，潜在狄利克雷分配（LDA）的计算量小，易于使用。总之，这是一种更好的分类方法。Fisher分类器是一种线性分类，具有计算量小的特点，可广泛用于BCI脑机接口研究[75，76]。Fisher分类器的应用目的因此，降维是解决问题的关键[77，78]。LDA将高维样本数据投影到低维空间，保证样本数据在空间中具有最可观的类间距离和最小的类间距离Muthong等人[79]通过捕获EEG信号中的所有变化点并将其划分为一组信号来解决非平稳问题。然后，将正则化的LDA应用于每个划分的信号，以形成用于特征分类的分类器该实验是在BCI竞赛IV数据集上进行的。实验结果表明，Fisher分类器对脑电信号的特征分类是非常有效的。Jian-Feng[80]比较了基于线性判别分析LDA、人工神经网络（ANN）和基于检测一组受试者想象运动的支持向量机的三种不同分类器结果表明，这三种分类器都具有良好的分类性能。这三种分类器对运动想象的分类准确率分别为LDA：88.6%，ANN：81.9%，SVM：82.6%。Mahanta等人。[81]提出如何使用LDA特征提取器提取显著特征是对EEG信号进行分类的必要步骤。然而，多通道脑电信号本质上是以矩阵变量的形式存在的，而传统的特征提取器如LDA是针对向量变量输入而设计的。因此，LDA特征分类器方法需要EEG信号的先验向量化。此外，忽略了数据中固有的矩阵变量结构，这将导致较高的计算复杂度。支持向量机支持向量机（SVM）是一类广义线性分类器，它以监督学习方法对数据二进制进行其基本原理是在空间中找到最优决策面，使不同的数据类型分布在决策面的两侧。为了更好的实现分类[82，83]，SVM根据其构造模型从简单到复杂可以分为线性可分离支持向量机和非线性支持向量机。支持向量机是监督学习模型和相关的学习算法，用于分析分类和回归分析中的数据SVM训练算法创建一个模型，将新实例分配给两个类别中的一个，使其成为非概率两个元线性分类器。SVM模型将实例表示为空间中的点，以便映射使各个类别的实例由最宽的可能的、明显的间隔分开。然后，将新实例映射到同一空间，并根据它们落在区间的哪一侧来预测它们的类别Sani等人。[84]使用支持向量机根据EEG信号对压力对象进行分类。利用支持向量机对脑电α波段数据的功率谱密度和能量谱密度进行分类，判断受试者是否处于应激状态。数据的正确分类率为83.33%。结果表明，支持向量机方法能有效地对脑电信号进行分类。Hajibabazadeh和Azimirad[85]提出了一种使用SVM特征分类实现脑控机器人的新方法。使用支持向量机提取与左右运动图像相关的EEG数据并进行分类首先，采集SIX通道EEG信号，然后使用低通滤波器进行滤波。小波变换将信号分解为频率子带作为特征。在下一步中，支持向量机将特征分为两类：左和右移动，与左和右移动图像相关的EEG数据的特征提取和分类。最后，支持向量机将子带系数分为两类（左向运动图像和右向运动图像）作为特征。输出数据用于控制Tabriz-Puma机器人。实验使用360个训练集和90个测试集进行测试，分类准确率为75%。Z. Huang和M. 王认知机器人1（2021）111120见图4。 人工神经网络Kousarrizi[86]使用五种不同的方法来检测包含伪影的测试最后，两种不同的神经网络和支持向量机分类小波变换提取的特征。使用70%的数据集进行训练，其余用于测试 分类器。与神经网络分类器相比，SVM分类器具有更好的训练精度，但神经网络分类器具有更好的测试精度。然而，由于SVM分类器的不稳定性，测试精度很低。黎曼几何分类器基于黎曼几何的分类器直接将数据映射到具有适当度量的几何空间，而不是估计空间滤波器和选择特征。映射后的几何空间就是光流模式空间。测量工具是外部距离（非欧几里得里德距离）[87]。机器学习的问题倾向于占用空间。黎曼几何的独特性质使分类器具有良好的推广能力，可用于研究脑机接口中的会话迁移和主题迁移问题。张量为EEG数据提供了自然的表示。这些正逐渐被用于BCI中的特征提取、聚类和分类任务。基本的机器学习算法可以扩展到张量。它的优点是分类精度高，泛化能力强。缺点：复杂度高，计算能力要求高。也不适合在网上。在脑电信号处理中，矩阵一般在光滑约束下进行运算。受约束的空间可以理解为平滑弯曲的空间。对称正定矩阵X空间，其中常用的样本协方差矩阵X是黎曼流形。传统的LDA、CSP等方法都是使用欧氏空间中的样本协方差矩阵，而没有考虑它们所属的对称正定矩阵空间的曲率，不利于准确建立模型文献[88，89]。基于黎曼几何的算法具有良好的推广能力和鲁棒性文献[90目前，基于黎曼几何的脑机接口脑电信号特征解码方法可分为两大类：(1) 综合黎曼空间和欧氏空间的优点，通过对数映射将黎曼流形映射到其切空间。切空间是欧氏空间，可以直接使用LDA，CSP等方法。但值得注意的是，特征选择仍然需要在欧氏切空间中考虑，以降低特征维数，避免维数灾难。(2) 在黎曼流形中，基于黎曼距离的不变性，协方差矩阵X中的空间信息用于直接分类。黎曼平均最小距离算法就是这类算法的典型代表人工神经网络人工神经网络（ANN）是自20世纪80年代以来人工智能领域出现的新的热门研究[93]。的 人工神经网络从信息处理的角度抽象地模拟人脑神经元网络，建立相应的模型，按照不同的连接方法形成不同的网络。因此，人工神经网络受到人类大脑和各种生物神经网络的启发。它主要用于处理海量数据，解决分类和回归问题。它属于机器学习方法的一个分支[94将前向神经网络进一步分为单层前向神经网络（SFNN）和多层前向神经网络（MFNN）。SFNN的输入层和输出层直接相连。MFNN输入层和输出层包含一个隐藏层。RNN包含一个基于MFNN的反馈回路。也就是说，输出层神经元反馈给它们的输入神经元。神经元是ANN的基本单元，它由输入变量、输入变量权值、激活函数、偏差值和输出变量组成。一般的神经网络由输入层、隐层和输出层组成。 结构如图所示。 四、人工神经网络具有分类精度高、学习能力强、容错能力强等优点。它也能充分估计复杂的非线性关系。但是，需要大量的参数，学习时间长，过程不容易观察，这影响了结果的可接受性。这些都是这条路的缺点。然而，ANN可以用于自发EEG分析。分析的目的是检测EEG尖峰和癫痫发作。输入法可以使用Z. Huang和M. 王认知机器人1（2021）111121原始信号模型和特征参数模型。有些方法结合小波变换和人工神经网络来检测脑电信号中的棘波和棘波成分。利用小波变换对基于神经网络的脑电棘波检测系统的输入进行处理，在不降低信号信息量和检测性能的前提下，简化了神经网络的输入方式。Belakhdar等人[97]评估了EEG的两种分类器的分类，以选择一种可以提供更高准确度的分类器。实验对多导睡眠图数据库中的脑电信号进行了结果表明，在单人脑电通道上，ANN分类器优于Collet等人。[98]使用人工神经网络来分析机器人应用的脑电波频谱图图像脑电信号的分析通常采用时频分析方法或谱图图像处理技术从谱图中提取灰度共生矩阵纹理特征，并通过主成分分析降低特征维数。实验结果表明，神经网络可以通过改变隐含层神经元数目、学习速率和动量来优化训练模型。根据脑电信号图像，该方法的分类效果明显优于传统的脑电信号特征分类方法。Li和Fan[99]描述了两种人工神经网络方法（BP和自组织竞争ANN）。他用脑电图的节律来区分三个实验对象。此外，还对两种人工神经网络进行了比较。结果表明，人工神经网络是识别这三种特征样本的有效方法。在本研究中，BP神经网络比自组织竞争人工神经网络技术具有更全面的性能。深度学习深度学习（DL）是机器学习的一种类型，是人工神经网络的扩展。DL是指人工神经网络中许多隐藏层神经元的学习，分析和处理。早期的人工神经网络主要是浅层模型。DL的基本结构是具有许多隐藏层的深度神经网络。它包括大量的神经元。许多参数需要调整。深度学习是机器学习的一个它已广泛应用于生理信号的分析和处理。对于研究来说，这是一种合适的方法，通过使用深度学习方法来实现EEG信号的分类。这些点主要包括情绪识别，心理检测，事件相关电位检测和睡眠评分。借鉴Ada-boost算法的思想，An等人[100]提出了一种新的脑电信号提取方法。他将深度信念网络（DBN）训练的多个弱分类器组合成一个鲁棒分类器。实验结果表明，该方法对左右手运动想象脑电信号都能取得较好的识别效果Zheng等人[101]提出了DBN模型和隐马尔可夫模型。该模型可以很容易地识别积极和消极的情绪的基础上的EEG信号。此外，它可以达到87.62%的合理识别率。Lngkvist等人[102]总结了一系列深度学习方法。Martin将其应用于脑电信号等时间序列信号的特征学习，解决了时间序列信号的均值、方差、频率等变化给特征提取带来的困难。深度学习为脑机接口中脑电信号的特征提取和识别提供了新的思路。Pontifex等人。[103]使用深度神经网络构建一个强大的自动化系统，通过在学习显著特征的过程中使用整个输入数据对MI EEG记录进行分类。与其他架构相比，卷积神经网络（CNN）和混合CNN具有高性能的架构。
