引言

腦機接口（Brain-Computer Interface，BCI）為用戶提供了一種無需依賴正常外周神經和肌肉輸出的控制與交流通道[1]。作為醫療應用，BCI設備被廣泛用于幫助患有神經肌肉疾病的患者。在多種類型的BCI中[2-4]，基于運動想象（Motor Imagery，MI）的BCI利用與運動相關任務想象的大腦信號[5]。研究表明，當受試者想象特定運動時，在大腦的感覺運動皮層區域采集的腦電圖（Electroencephalogram，EEG）信號中，μ（8~13 Hz）和β（13~30 Hz）頻段會出現顯著的相對功率變化[6-7]。這些EEG信號中的功率變化隨后通過模式識別方法進行處理和分類，以實現對外部設備的控制[8-9]。

在腦信號中，EEG信號是BCI系統中最常見的信號，因為它具有非侵入性、便攜性、低成本和高時間分辨率[10]。盡管較多的EEG通道能夠提供更多關于大腦背景神經活動的信息，但它也由于噪聲引入冗余，導致數據維度增高[11]。因此，通道選擇方法對于提高基于MI的BCI的性能是必要的[12]。基于MI的BCI通常使用C3、C4和Cz通道，因為這些通道位于與運動相關的感覺運動皮層區域，能夠有效捕捉與運動想象相關的EEG信號。然而，人工選擇存在較高的主觀性和局限性，可能影響BCI系統的可靠性和可擴展性。為此，許多自動化的EEG通道選擇算法應運而生，這些方法通常分為基于包裝器和基于過濾器兩類。

基于包裝器的方法結合了特定分類器的性能評估，并通過交叉驗證等策略優化通道選擇。例如，Wang等人[13]設計了一種基于典型相關分析的通道選擇方法，該方法通過支持向量機（Support Vector Machines，SVM）分類器的交叉驗證迭代更新通道選擇的權重。這類方法通常需要較長的計算時間，并且其性能依賴于所選分類器的有效性。為提高計算效率，許多研究采用了進化計算方法（如遺傳算法、人工蜂群算法等），這些方法能夠在優化通道選擇的同時，保持較高的計算效率[14]。相比之下，基于過濾器的方法通常通過計算通道的獨立性或與任務相關的特征來進行排序，計算量較低。Jin等人提出了一種基于雙譜特征和F分數的信道選擇方案[15]。盡管這些方法能有效減少計算時間，但它們通常不考慮分類器性能，因此無法充分利用分類器的優勢。

特征提取可以從腦電信號中獲取有用的信息。共空間模式(Common Spatial Pattern，CSP)是一種在空間域提取EEG特征的優秀方法[16]。但CSP對噪聲高度敏感，泛化能力低[17]。因此，CSP有各種改進的擴展。在MI分類中，CSP通常采用較寬的濾波頻帶(即8~30 Hz)，但越來越多的研究表明，濾波頻帶的優化可以顯著提高分類精度[18]。迄今為止，主要提出了兩種方法來解決濾波器頻帶選擇的問題，一種是在CSP中同時優化頻譜濾波器[19-20]，另一種是從多個頻帶中選擇重要的CSP特征[21]。共空間譜模式(Common Spatio-Spectral Pattern，CSSP) [22]將CSP算法擴展到狀態空間，以提高精度。與此同時，CSP濾波器的頻帶對MI-BCI的精度起著至關重要的作用。濾波器組共空間模式(Filter Bank Common Spatial Pattern ，FBCSP)[23]就是一個重要的例子。同時，一些研究者將正則化技術應用于CSP， Lu等人[24]提出了一種正則化共空間模式（Regularized Common Spatial Pattern ，R-CSP）算法，通過正則化協方差矩陣估計來提高EEG信號分類的穩定性，且通過聚合多個R-CSP模型進一步提升了性能，特別適用于小樣本學習問題。Kang等人[25]提出了一種復合CSP方法，通過結合多個受試者的協方差矩陣來進行受試者間的轉移，從而改善了EEG分類性能，尤其是在訓練樣本較少的情況下。

盡管現有的通道選擇和特征提取方法已取得一定進展，但仍面臨冗余通道、噪聲干擾及頻帶優化等問題。為此，本文提出了一種基于皮爾遜相關系數的通道選擇方法(Pearson Correlation Coefficient-based Channel Selection，PCCS）。該方法通過計算EEG信號各通道之間的相關性，篩選出與MI相關性較強的通道，從而有效減少冗余信息。接著，采用濾波器組正則化共空間模式（Filter Bank Regularized Common Spatial Pattern，FBRCSP）對選定通道進行特征提取，結合濾波與正則化策略，進一步提升特征的判別能力。

本文詳細內容請下載：

http://m.jysgc.com/resource/share/2000006799

作者信息：

王鵬，譚理澤，馬云云

（昆明理工大學 信息工程與自動化學院，云南 昆明 650500）