基于空间加权脑电图特征融合的运动想象分类
机器学习
2025-11-19 v1 人工智能
摘要
脑机接口（BCI）连接人脑与外部世界，提供了一种直接的通信渠道。脑电图（EEG）信号常用于 BCI 中，以反映与运动功能活动相关的认知模式。然而，由于 EEG 信号的多通道特性，显式的信息处理对于降低 BCI 系统的计算复杂度至关重要。本研究提出了一种基于大脑区域特定通道选择和多域特征融合的创新方法，以提高分类准确率。所提方法的新颖之处在于基于区域的通道选择，即根据 EEG 通道与不同脑区的功能相关性进行分组。通过选择与运动想象（MI）任务相关的特定脑区通道，该技术剔除了不相关的通道，降低了数据维度并提高了计算效率。这也确保了提取的特征更能反映与运动任务相关的大脑实际活动。三种不同的特征提取方法——共空间模式（CSP）、模糊 C 均值聚类和切线空间映射（TSM）——被应用于基于其脑区的每组通道。每种方法针对 EEG 信号的不同特性：CSP 关注空间模式，模糊 C 均值识别数据内的聚类，TSM 捕捉信号中的非线性模式。组合后的特征向量用于使用支持向量机（SVM）对运动想象任务（左手、右手和右脚）进行分类。所提方法在来自 BCI 竞赛 III 和 IV 的公开基准 EEG 数据集（IVA 和 I）上进行了验证。结果表明，该方法优于现有方法，在数据集 IVA 和 I 上分别达到了 90.77% 和 84.50% 的分类准确率。
引用
@article{arxiv.2511.13752,
title = {Motor Imagery Classification Using Feature Fusion of Spatially Weighted Electroencephalography},
author = {Abdullah Al Shiam and Md. Khademul Islam Molla and Abu Saleh Musa Miah and Md. Abdus Samad Kamal},
journal= {arXiv preprint arXiv:2511.13752},
year = {2025}
}