在线脑机接口中脑电信号特征提取与分类方法的思考一、在线脑机接口中脑电信号特点与分型神经纤维处于兴奋或抑制状态会产生电信号，即脑电信号，其具体产生机制尚不清楚。脑电信号除有一半生物电的共性外，还有以下特点：①信号微弱，容易受到干扰，即噪声背景较大。人体是一个复杂的系统，导致脑电信号非常容易受到外界的影响，故脑电信号的处理需要进行有效的去噪。②脑电信号频率范围低，一般在 0～30Hz，在进行信号猎取、放大等预处理时，需要充分考虑到频率效应特性。③脑电信号具有非线性、随机性强，故无法采纳数学函数表示，较一般的生物电信号处理难度更大。二、在线脑机接口中脑电信号特征提取脑电信号有其独特性型，并对其提出较高的要求，目前可供选择的主要算法包括：①时域特征提取。它应用得较早，主要用于背景较小、平稳的睡眠脑电耗提取，主要指标包括幅值、方差极值等。②频域特征。脑电信号的频域特征较突出，恩熙信號通过分析脑电波、电功率指尖的关系，分析信号的频率、能力等，主要计算方法包括短时傅立叶变换、小波分解等。③时频联合特征提取，能够猎取的信号特征更为丰富，主要算法包括希尔伯特黄变换、小波分解等。④空域特征提取，主要用于脑科学科研，在线系统中应用较少。⑤非线性动力学，主要方法包括关联纬、复杂度、Lyapunov 指数等，通过分析不同生理情况下的非线性特征分析大脑功能，诊断脑部疾病；⑥人工神经网络，成功用于人脑电信号分析，进行在线识别癫痫信号，获得较好的准确率，但尚无用于在线脑机接口脑电信号特征提取。⑦其他特征提取方法主要包括主成分分析、近似熵等。不同提取方法得到的脑电图特征存在明显的差异，部分算法可能不适合在线分析，计算量较庞大。以短时傅立叶变变换为例，其在时间-频率中描述非平稳的时变信号，能够更全面地观察恩熙信号的时频联合特征，包括时域窗法、频域窗法，需要进行改良。以频域窗法为例，若窗谱 W（ω）表示窗函数 W（n）的傅立叶变化，那么信号 STFT 表示为 XSTFT（n，ω），STFT 是序列 X（n）与窗函数 W（n）e-jnω 的卷积与序列 e-jnω的乘积，窗函数随着时间轴的移动，截取到一小段信号，然后进行傅立叶变化，得到二维函数，从而得到信号的时频联合分布。三、在线脑机接口中脑电信号特征分类目前常用的分类方法，包括决策树、朴素贝叶斯、支持向量机、Fisher 线性推断、神经网络等。当前，越来越多的学者采纳准确率、召回率以及 AUC 值评价...
