基于多相关性的导联前向搜索算法用于运动想象分类

针对基于运动想象(Motor Imagery, MI)的脑-机接口(Brain-Computer Interface, BCI)系统中导联过多的问题,提出了一种多相关性导联前向搜索(Multi-correlationForward Searching, MCFS)算法来优化导联集,改善系统性能。首先基于训练集对导联集进行前向搜索,同时以验证集分类精度更新对3种相关性算法的信任值;然后根据3种相关性方法的信任值,选择优质导联组合,采用共空间模式(Common Spatial Pattern, CSP)获得运动想象特征,通过线性核的支持向量机(Support Vector Machine, SVM)训练分类模型。对该算法在两个数据集(BCI竞赛Ⅳ中的data set Ⅰ数据集Ⅰ和BCI竞赛Ⅲ中的data set Ⅳa)上进行验证,分别得到了81%和87%的平均分类精度。此外,与其他3种常用导联选择方法相比,MCFS算法获得了最高的平均分类精度,性能优越,为基于运动想象的BCI系统的应用提供了技术参考。