基于CSP的多类运动想象脑电特征自动选择算法

摘要

目的 在基于协方差矩阵近似联合对角化(joint approximation diagonalization,JAD)的多类共空间模式(common spatial pattern,CSp)运动想象检测滤波器的设计过程中,需要对关键特征向量进行选择.较常用的基于“最高得分特征值准则”的特征向量选择方法会出现不同类数据的最高得分特征值对应同一个特征向量,因此导致无效CSP滤波器的出现,进而影响系统识别率.本文在传统JAD方法上提出一种特征值自动选择方法以解决特征值选择无效问题.方法 基于BCI Competition 2005dataⅢa(BCI2005)和实验室自主采集三类运动想象脑电(EEG)数据集,对不同想象类别数据对应同一个特征向量的异常现象进行实验分析.结果 在两个数据集自测试下,本方法的三类运动想象平均识别率分别达到82.78％和85.92％,比传统JAD提高3.44％和3.25％.结论 基于CSP的多类运动想象脑电特征自动选择算法能够有效解决特征值选择无效问题,进而提升运动想象BCI系统的分类识别率.