人工智能的發展也給腦機接口技術帶來了很廣闊的空間，目前限制腦機接口技術的走出實驗室的主要原因是腦電信號的因人而異性，在線腦機接口的信號傳輸率，准確率等。下面對目前在腦機接口領域運用的特征提取算法和模式分類算法作簡要的總結：
常見特征提取方法
1、 頻帶功率特征。
2、 時間點特征。
除上述兩種常用的特征提取方法之外的方法：
1、連接特征，這些特征測量來自不同傳感器和/或頻段的信號之間的相關性或同步。
2、協方差矩陣和張量法，特征是各種傳感器數據、時間點或頻率等的線性組合，它們可能沒有一個明顯的物理/生理解釋，但仍然證明對BCI設計有用。
3、多特征聯合提取，組合多種EEG特征，但須注意分類算法的維度災難。
特征提取結束后可以采用特征選擇步驟選擇具有潛在優點的特征子集去除信息的冗余，可減少過度訓練的可能性和優化模型性能。
常用的特征選擇方法如下：
1、基於知識提取的線性回歸分類器。
2、蟻群、群體搜索、禁忌搜索和模擬退火算法也正在越來越多的用於BCI的特征選擇。
基於EEG的腦機接口分類算法
2007年之前的EEG分類算法：
1、 線性分類器，線性判別分析和支持向量機。
2、 人工神經網絡，多層感知機、學習矢量量化神經網絡。
3、 非線性貝葉斯分類器，貝葉斯二次分類和隱藏馬爾科夫模型。
4、 最近鄰分類器，K近鄰和馬氏距離。
5、 多種分類器的組合，boosting, voting or stacking combination algorithms。
EEG信號的低信噪比，時間的非穩態隨機性，因人而異性，可使用的訓練數據有限以及目前整體BCI的性能和可信賴度較低。針對這些挑戰提出相應的分類算法研究，
近十年的分類算法主要包括四類：
1、自適應分類器。
分類器的參數跟蹤腦電信號隨時間而變，跟蹤可能變化的特征分布，從而對非平穩變化的腦電信號能夠保持有效。自適應分類器主要包含三種類型:①監督自適應分類器，需要被標記的EEG數據進行訓練，其新輸入的EEG數據也需被標記。②無監督自適應分類器，基於所有EEG信號的均值和協方差矩陣或者用於訓練的數據類的標簽估計。③半監督自適應分類器，使用初始標記數據和輸入的未標記數據來適應分類器。目前針對BCI的自適應分類器大部分是基於監督自適應分類器。其分類性能優於靜態分類器，但使用並不是free的，需要大量的標記數據以及對新輸入的數據也需標記。
2、矩陣和張量學習分類器。
基於黎曼幾何的分類器將數據直接映射到具有適當度量的幾何空間，而不是估計空間過濾器和/或選擇特征，被映射的幾何空間為流型空間、度量工具為外部距離（非歐幾里得距離）。將機器學習的問題擴展到流型空間。黎曼幾何特殊的性質使黎曼分類器具備很好的泛化能力，可用於研究BCI中的會話轉移和受試者轉移問題。張量為腦電圖數據提供了一種自然的表示形式，正逐漸用於BCI中的特征提取、聚類和分類任務，基本的機器學習算法都可拓展到張量。其優點為分類精度高、泛化能力強。缺點復雜度高、計算能力要求高，不適用於在線BCI。
3、遷移學習。
遷移學習的目的是通過利用在學習某一特定任務時獲得的知識來解決另一項不同但相關的任務。遷移學習的有效性取決於兩個任務的相關性。遷移學習技術在運動想象腦機接口技術方面得到有效應用，提高了session-to-session和subject-to-subject的分類性能，可解決腦電信號分類結果因人而異的問題，其算法健壯、計算復雜度不是很高利於在線BCI。但遷移學習訓練的分類器為通用分類器，非最優分類器，且學習時間較長。
4、深度學習。
采用機器學習算法從數據中提取特征和訓練分類器。目前在BCI方面研究較多深度學習網絡為卷積神經網絡（CNN）和深度信念網絡（DBN），同時也研究了CNN和DBN的組合用於BCI的分類。理論上深度學習可以實現EEG更有效的特征提取和精度更高的模式分類，但實際中與先進的BCI算法相對缺少說服力。深度學習方法在BCI方面的應用需加探索。
EEG分類算法選擇建議
1、 自適應分類器的性能優於靜態分類器，可以考慮無監督自適應分類器的使用。
2、 由於BCI數據量的限制，深度網絡在BCI分類方面表現不是很出色，淺層卷積神經網絡應用會更有前途。
3、 在有限的訓練數據下，收縮線性判別分析(sLDA)比傳統的線性判別分析(LDA)更有效、更穩健。
4、 在有限的訓練數據下，應使用轉移學習，sLDA，黎曼最小均值距離（RMDM）分類器或隨機森林算法
5、 黎曼幾何分類器（RGC）是非常有前景的，被認為是多個BCI問題的當前最新技術，特別是運動想象，P300和SSVEP分類。應進一步應用和進一步探索它們以提高其有效性。
6、 張量方法比較新穎，需要更多的研究，並評估其性能與其他最先進的方法相比。
論文地址：
https://iopscience.iop.org/article/10.1088/1741-2552/aab2f2/meta
本文章由腦際愛好者筆記分享QQ交流群：903290195
更多分享，請關注公眾號：
