一种用于运动想象任务的简单被试无关EEG通道选择方法

通过脑电图（EEG）对运动想象（MI）任务进行分类，在脑机接口和康复工程中具有重要价值。用于MI任务分类的EEG通道选择是一个研究较为充分但仍具挑战性的问题，其困难主要源于组合复杂性。现有大多数方法依赖于特定受试者和特定任务。本文提出了一种与受试者无关的EEG通道选择方法。 所提出的方法包括两个阶段。首先，我们根据各通道相对于参考通道Cz的散度对通道进行排序。我们假设，与Cz散度较小的通道与MI任务分类更相关。在第二阶段，我们采用一个三阶段的特征选择与分类模型对所选通道进行评估。该模型包括带通滤波器，随后依次采用公共空间模式（CSP）滤波器以及三种分类器，即支持向量机（SVM）、1近邻（1-NN）和5近邻（5-NN）。为评估该方法，本文使用了两个公开可用的数据集，即PhysioNet数据集和BCI Competition III IVa数据集。在BCI Competition数据上，仅使用20/118个通道时，该方法的性能比3Cs高15.21%，且仅比全通道精度低2.91%；在PhysioNet数据集上，使用16/64个通道时，其性能比3Cs高19.64%。实证比较表明，该方法显著优于CSP Rank、Fisher排序和归一化互信息等经典模型。实验结果支持了我们的假设，即通道与参考通道Cz之间的散度可以作为通道选择的排序度量。

在该网站上搜索这位作者

摘要

信息/历史

指标

预览 PDF

摘要

通过 EEG 对运动想象（MI）任务进行分类在脑机接口和康复工程中具有重要价值。用于 MI 任务分类的 EEG 通道选择是一个被广泛讨论的问题，并且由于其组合性质而具有挑战性。现有的大多数方法依赖于受试者和任务。持有人为作者/资助方，其已授予 bioRxiv 许可，允许其永久展示该预印本。

本文依据

CC-BY 4.0 国际许可协议

提供。

返回顶部

上一篇

下一篇

发布于 2026 年 7 月 1 日。

下载 PDF

电子邮件

感谢您有兴趣帮助传播 bioRxiv 的内容。

您的电子邮箱

*

您的姓名

*

发送至

*

请输入多个地址，每行一个，或用逗号分隔。

您将发送以下内容的电子邮件

用于运动想象任务的 EEG 简单受试者无关通道选择

邮件主题

（您的姓名）向您转发了一页来自 bioRxiv 的内容

邮件正文

（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。

您的个人留言

验证码

此问题用于测试您是否为人类访问者，并防止自动化垃圾信息提交。

分享

用于运动想象任务的 EEG 简单受试者无关通道选择

Raghav

Dev

，

Sandeep

Kumar

，

Tapan Kumar

Gandhi

bioRxiv

2026.06.26.734867；

doi：

https://doi.org/10.64898/2026.06.26.734867

分享本文：

复制

引文工具

用于运动想象任务的 EEG 简单受试者无关通道选择

Raghav

Dev

，

Sandeep

Kumar

，

Tapan Kumar

Gandhi

bioRxiv

2026.06.26.734867；

doi：

https://doi.org/10.64898/2026.06.26.734867

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.26.734867v1?rss=1

🏷️ 脑电图 运动想象 通道选择 脑机接口 公共空间模式 受试者无关