基于增广协方差矩阵的脑机接口脑电分类

目的：脑电图信号被记录为多维数据集。我们提出一种基于从自回归模型提取的增广协方差的新框架，以改进运动想象分类。方法：由自回归模型可导出 Yule-Walker 方程，其展示出一个对称正定矩阵的出现：增广协方差矩阵。对协方差矩阵进行分类的最先进方法基于黎曼几何。因此一个相当自然的想法是使用这些增广协方差矩阵来扩展标准方法。创建增广协方差矩阵的方法论与 Takens 为动力系统提出的延迟嵌入定理显示出自然联系。此类嵌入方法基于两个参数的确定：延迟与嵌入维数，分别对应于自回归模型的滞后与阶数。该方法除标准网格搜索外，提供了计算超参数的新途径。结果：增广协方差矩阵的性能明显优于任何最先进方法。我们将使用 MOABB 框架在多个数据集与多个受试者上测试我们的方法，采用会话内与跨会话评估。结论：结果的提升源于增广协方差矩阵不仅纳入空间信息，还纳入时间信息，通过嵌入过程吸收了信号的非线性分量，从而得以利用动力系统算法。意义：这些结果扩展了基于黎曼距离的分类算法的概念与结论。