基于ＣＳＰ和ＧＢＤＴ运动想象脑电模式识别研究＊冯建奎（菏泽学院机电工程学院，山东菏泽２７４０００）摘要：为了提高运动想象脑机接口系统的性能，基于脑－机接口竞赛数据比较了不同空间滤波器下获得的ＣＳＰ特征，在支持向量（线性核和高斯核）（ｌｉｎｅａｒｋｅｒｎｅｌｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＬＳＶＭａｎｄ（ｇａｕｓｓｉａｎｋｅｒｎｅｌｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＧＳＶＭ）），线性判别分析（ｌｉｎｅａｒｄｉｓｃｒｉｍｉｎａｔｉｏｎａｎａｌｙｓｉｓ，ＬＤＡ），梯度提升决策树（ｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｄｅｓｃｒｉｓｉｏｎｔｒｅｅ，ＧＢＤＴ）下的分类效果．比较结果表明，ＧＢＤＴ获得了比其它分类器更优的分类效果．进一步把最小绝对收缩和选择算法（ｔｈｅＬｅａｓｔＡｂｓｏｌｕｔｅＳｈｒｉｎｋａｇｅａｎｄＳｅｌｅｃｔｉｏｎａｔｏｒｏｐｅｒ－ａｔｏｒ，ＬＡＳＳＯ）与以上四种分类器进行结合使用，发现其与ＧＢＤＴ结合使用后得到的平均分类准确率最高，比结合ＬＳＶＭ，ＧＳＶＭ和ＬＤＡ分别提高了５．５７％，４．５７％，３．１６％．关键词：脑机接口；运动想象；梯度提升决策树；共空间模式中图分类号：ＴＰ２７３文献标识码：Ａ文章编号：１６７３－２１０３（２０２３）０２－００５７－０６０引言脑机接口（ｂｒａｉｎｃｏｍｐｕｔｅｒｉｎｔｅｒｆａｃｅ，ＢＣＩ）是一种通过识别大脑思维活动来实现人脑与外界进行信息交互和控制外部设备的技术［１］．可以帮助脊髓损伤、肌萎缩脊髓侧索硬化等严重神经肌肉障碍患者在一定程度上恢复其交流和运动能力［２］．因为表皮采集的脑电信号（Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ，ＥＥＧ）在便利性上具有优势，所以在脑机接口研究中被广泛使用［３，４］．然而，ＥＥＧ信号信噪比低，不稳定的特征决定了脑机接口技术需要高效的特征提取算法和性能优良的分类器．与基于诱发电位的脑机接口相比，运动想象脑机接口不依赖于外部刺激，在范式设计上更易实施，且适用于轮椅等机械设备的运动控制和运动康复训练［５］．然而，脑电信号具有空间分辨率低、信噪比低、易受强伪迹干扰、具有高度的非平稳性等特点［６，７］，所以提取有效的脑电特征进行运动想象脑模态分类存在一定的难度．目前，已有很多运动想象电位的特征提取方法，如小波变换、小波包变换、自回归模型、共空间模式等．其中，共空间模式是一种被广泛应用...
