转载：脑机接口EEG信号分类算法

本文转载自：https://blog.csdn.net/sinat_35162460/article/details/85716900
人工智能的发展也给脑机接口技术带来了很广阔的空间，目前限制脑机接口技术的走出实验室的主要原因是脑电信号的因人而异性，在线脑机接口的信号传输率，准确率等。下面对目前在脑机接口领域运用的特征提取算法和模式分类算法作简要的总结：

常用的特征提取方法如下
1、 频带功率特征。
2、 时间点特征。
除上述两种常用的特征提取方法之外的方法：
1、连接特征，这些特征测量来自不同传感器和/或频段的信号之间的相关性或同步。
2、协方差矩阵和张量法，特征是各种传感器数据、时间点或频率等的线性组合，它们可能没有一个明显的物理/生理解释，但仍然证明对BCI设计有用。
3、多特征联合提取，组合多种EEG特征，但须注意分类算法的维度灾难。
特征提取结束后可以采用特征选择步骤选择具有潜在优点的特征子集去除信息的冗余，可减少过度训练的可能性和优化模型性能。
常用的特征选择方法如下：
1、基于知识提取的线性回归分类器。
2、蚁群、群体搜索、禁忌搜索和模拟退火算法也正在越来越多的用于BCI的特征选择。

基于EEG的脑机接口分类算法：
2007年之前的EEG分类算法：
1、 线性分类器，线性判别分析和支持向量机。
2、 人工神经网络，多层感知机、学习矢量量化神经网络。
3、 非线性贝叶斯分类器，贝叶斯二次分类和隐藏马尔科夫模型。
4、 最近邻分类器，K近邻和马氏距离。
5、 多种分类器的组合，boosting, voting or stacking combination algorithms。

EEG信号的低信噪比，时间的非稳态随机性，因人而异性，可使用的训练数据有限以及目前整体BCI的性能和可信赖度较低。针对这些挑战提出相应的分类算法研究，
近十年的分类算法主要包括四类：

1、自适应分类器。
分类器的参数跟踪脑电信号随时间而变，跟踪可能变化的特征分布，从而对非平稳变化的脑电信号能够保持有效。自适应分类器主要包含三种类型:①监督自适应分类器，需要被标记的EEG数据进行训练，其新输入的EEG数据也需被标记。②无监督自适应分类器，基于所有EEG信号的均值和协方差矩阵或者用于训练的数据类的标签估计。③半监督自适应分类器，使用初始标记数据和输入的未标记数据来适应分类器。目前针对BCI的自适应分类器大部分是基于监督自适应分类器。其分类性能优于静态分类器，但使用并不是free的，需要大量的标记数据以及对新输入的数据也需标记。

2、矩阵和张量学习分类器。
基于黎曼几何的分类器将数据直接映射到具有适当度量的几何空间，而不是估计空间过滤器和/或选择特征，被映射的几何空间为流型空间、度量工具为外部距离（非欧几里得距离）。将机器学习的问题扩展到流型空间。黎曼几何特殊的性质使黎曼分类器具备很好的泛化能力，可用于研究BCI中的会话转移和受试者转移问题。张量为脑电图数据提供了一种自然的表示形式，正逐渐用于BCI中的特征提取、聚类和分类任务，基本的机器学习算法都可拓展到张量。其优点为分类精度高、泛化能力强。缺点复杂度高、计算能力要求高，不适用于在线BCI。

3、迁移学习。
迁移学习的目的是通过利用在学习某一特定任务时获得的知识来解决另一项不同但相关的任务。迁移学习的有效性取决于两个任务的相关性。迁移学习技术在运动想象脑机接口技术方面得到有效应用，提高了session-to-session和subject-to-subject的分类性能，可解决脑电信号分类结果因人而异的问题，其算法健壮、计算复杂度不是很高利于在线BCI。但迁移学习训练的分类器为通用分类器，非最优分类器，且学习时间较长。

4、深度学习。
采用机器学习算法从数据中提取特征和训练分类器。目前在BCI方面研究较多深度学习网络为卷积神经网络（CNN）和深度信念网络（DBN），同时也研究了CNN和DBN的组合用于BCI的分类。理论上深度学习可以实现EEG更有效的特征提取和精度更高的模式分类，但实际中与先进的BCI算法相对缺少说服力。深度学习方法在BCI方面的应用需加探索。

EEG分类算法选择建议
1、 自适应分类器的性能优于静态分类器，可以考虑无监督自适应分类器的使用。
2、 由于BCI数据量的限制，深度网络在BCI分类方面表现不是很出色，浅层卷积神经网络应用会更有前途。
3、 在有限的训练数据下，收缩线性判别分析(sLDA)比传统的线性判别分析(LDA)更有效、更稳健。
4、 在有限的训练数据下，应使用转移学习，sLDA，黎曼最小均值距离（RMDM）分类器或随机森林算法
5、 黎曼几何分类器（RGC）是非常有前景的，被认为是多个BCI问题的当前最新技术，特别是运动想象，P300和SSVEP分类。应进一步应用和进一步探索它们以提高其有效性。
6、 张量方法比较新颖，需要更多的研究，并评估其性能与其他最先进的方法相比。