基于特征融合和集成学习的运动想象脑电解码方法

开发高性能的脑电解码方法一直是脑机接口系统研究的重点和难点。为了进一步提高运动想象脑电解码的性能，提出了基于特征融合和集成学习的脑电解码方法。首先，针对每个通道脑电信号提取方差、自回归(AR)系数和带通功率特征，接着进行特征融合。其次，提出两种新的集成学习方法，分别是基于K最近邻(KNN)的集成学习模型和基于最小绝对值收缩和选择算子(LASSO)的集成学习模型。其中，KNN集成模型针对KNN分类器的K值以及闵式距离的P值进行集成，LASSO集成模型针对LASSO分类器的正则化参数进行集成，这两种集成学习方法计算简单且不需要烦琐耗时的交叉验证过程进行模型选择。最后，在三个公开的运动想象脑电数据集上验证所提方法的有效性。实验结果表明，新提出的集成学习方法，其分类结果优于支持向量机、随机森林等现有的分类器。LASSO集成模型优于KNN集成模型，在三个数据集上取得了71.75%的最高平均分类准确率。