基于非负CP分解模型的边界规避任务中脑电特征提取方法研究

通过建立"碗-球"模型,执行有视觉引导的边界规避任务,以提高受试者的脑电唤醒度。在与"碗-球"模型交互过程中,采集10名健康被试关于左、右手两类运动任务的脑电数据,通过对脑电的优化特征进行分类,以实现对运动意图的解码。基于边界规避任务诱发的脑电信号进行8~13 Hz带通滤波,获得特定频带的数据,通过连续小波变换获取脑电的频率分量,生成脑电张量。采用非负CP分解模型提取脑电张量的时间组分特征,再用二维主成分分析优化特征,利用支持向量机(SVM)实现特征分类,并与采用共空间模式(CSP)和SVM的特征提取及特征分类方法进行比较。所有被试的结果显示:CP分解的通用最佳组分数为16,基于非负CP分解模型特征提取方法,利用SVM分类的准确率为95.5%±3.0%,AUC值为0.978 2±0.012 1,分类结果优于CSP+SVM的分类准确率(93.7%±3.1%),通过t检验来检验分类结果的判别分数,分类结果具有95%的置信度(P<0.05)。基于非负CP分解模型提取特征进行运动意图分类,能够反映出边界规避任务中不同状态的差异,提高分类的性能。