摘要: 脑机接口(BrainComputerInterface,BCI)系统中脑电帽采集信号的导联过多产生的容积效应和高维度特征，增加了脑电信号(Electroencephalogram,EEG)分类难度和信号采集的准备时间。本文提出了少导联情况下结合迁移学习对运动想象EEG信号进行解码，提高运... 展开 脑机接口(BrainComputerInterface,BCI)系统中脑电帽采集信号的导联过多产生的容积效应和高维度特征，增加了脑电信号(Electroencephalogram,EEG)分类难度和信号采集的准备时间。本文提出了少导联情况下结合迁移学习对运动想象EEG信号进行解码，提高运动想象BCI系统跨被试情况下的分类性能，降低BCI系统的采集成本，改善系统实用性。 为解决多导联对脑机接口实用化的限制，本文在运动想象先验知识的基础上，提出8、13、22导联三种导联子集方案，通过欧几里德空间数据对齐(Euclideanspacedataalignment,EA)减少不同受试者间特征分布差异，通过域可迁移性评估选择相关迁移受试者协助训练分类模型。在两个受试者分别经过长时间训练的运动想象EEG数据集和未受过训练的运动想象EEG数据集上进行实验，实验结果显示，受过训练的数据集中，8导联EEG信号的平均分类准确率最高，达到了77.08%。同时发现，在两个数据集中，EA均起到降低少导联EEG信号特征分布差异作用。其中，在受试者未受过训练的EEG数据集中EA后的分类准确率提升更为显著。 为提高基于少导联运动想象BCI的分类准确率，本文提出基于最优子带选择的滤波器组正则化共空间模式算法，将EEG信号分割成多个不同频带范围的子带，筛选出最优子带后，在特征提取阶段选择源域受试者EEG信号生成正则化协方差矩阵，通过互信息特征选择算法选择最优特征进行分类。并采集少导联运动想象任务EEG信号，在BCI竞赛公开数据集和自采数据集上进行实验，验证了该算法的性能。 收起