中文引用格式： 王鹏，谭理泽，马云云. 基于Pearson与FBRCSP的运动想象脑电分类研究[J]. 电子技术应用，2025，51(10)：11-16.
英文引用格式： Wang Peng，Tan Lize，Ma Yunyun. Research on motor imagery EEG classification based on Pearson and FBRCSP[J]. Application of Electronic Technique，2025，51(10)：11-16.
引言
脑机接口（Brain-Computer Interface，BCI）为用户提供了一种无需依赖正常外周神经和肌肉输出的控制与交流通道[1]。作为医疗应用，BCI设备被广泛用于帮助患有神经肌肉疾病的患者。在多种类型的BCI中[2-4]，基于运动想象（Motor Imagery，MI）的BCI利用与运动相关任务想象的大脑信号[5]。研究表明，当受试者想象特定运动时，在大脑的感觉运动皮层区域采集的脑电图（Electroencephalogram，EEG）信号中，μ（8~13 Hz）和β（13~30 Hz）频段会出现显著的相对功率变化[6-7]。这些EEG信号中的功率变化随后通过模式识别方法进行处理和分类，以实现对外部设备的控制[8-9]。
在脑信号中，EEG信号是BCI系统中最常见的信号，因为它具有非侵入性、便携性、低成本和高时间分辨率[10]。尽管较多的EEG通道能够提供更多关于大脑背景神经活动的信息，但它也由于噪声引入冗余，导致数据维度增高[11]。因此，通道选择方法对于提高基于MI的BCI的性能是必要的[12]。基于MI的BCI通常使用C3、C4和Cz通道，因为这些通道位于与运动相关的感觉运动皮层区域，能够有效捕捉与运动想象相关的EEG信号。然而，人工选择存在较高的主观性和局限性，可能影响BCI系统的可靠性和可扩展性。为此，许多自动化的EEG通道选择算法应运而生，这些方法通常分为基于包装器和基于过滤器两类。
基于包装器的方法结合了特定分类器的性能评估，并通过交叉验证等策略优化通道选择。例如，Wang等人[13]设计了一种基于典型相关分析的通道选择方法，该方法通过支持向量机（Support Vector Machines，SVM）分类器的交叉验证迭代更新通道选择的权重。这类方法通常需要较长的计算时间，并且其性能依赖于所选分类器的有效性。为提高计算效率，许多研究采用了进化计算方法（如遗传算法、人工蜂群算法等），这些方法能够在优化通道选择的同时，保持较高的计算效率[14]。相比之下，基于过滤器的方法通常通过计算通道的独立性或与任务相关的特征来进行排序，计算量较低。Jin等人提出了一种基于双谱特征和F分数的信道选择方案[15]。尽管这些方法能有效减少计算时间，但它们通常不考虑分类器性能，因此无法充分利用分类器的优势。
特征提取可以从脑电信号中获取有用的信息。共空间模式(Common Spatial Pattern，CSP)是一种在空间域提取EEG特征的优秀方法[16]。但CSP对噪声高度敏感，泛化能力低[17]。因此，CSP有各种改进的扩展。在MI分类中，CSP通常采用较宽的滤波频带(即8~30 Hz)，但越来越多的研究表明，滤波频带的优化可以显著提高分类精度[18]。迄今为止，主要提出了两种方法来解决滤波器频带选择的问题，一种是在CSP中同时优化频谱滤波器[19-20]，另一种是从多个频带中选择重要的CSP特征[21]。共空间谱模式(Common Spatio-Spectral Pattern，CSSP) [22]将CSP算法扩展到状态空间，以提高精度。与此同时，CSP滤波器的频带对MI-BCI的精度起着至关重要的作用。滤波器组共空间模式(Filter Bank Common Spatial Pattern ，FBCSP)[23]就是一个重要的例子。同时，一些研究者将正则化技术应用于CSP， Lu等人[24]提出了一种正则化共空间模式（Regularized Common Spatial Pattern ，R-CSP）算法，通过正则化协方差矩阵估计来提高EEG信号分类的稳定性，且通过聚合多个R-CSP模型进一步提升了性能，特别适用于小样本学习问题。Kang等人[25]提出了一种复合CSP方法，通过结合多个受试者的协方差矩阵来进行受试者间的转移，从而改善了EEG分类性能，尤其是在训练样本较少的情况下。
尽管现有的通道选择和特征提取方法已取得一定进展，但仍面临冗余通道、噪声干扰及频带优化等问题。为此，本文提出了一种基于皮尔逊相关系数的通道选择方法(Pearson Correlation Coefficient-based Channel Selection，PCCS）。该方法通过计算EEG信号各通道之间的相关性，筛选出与MI相关性较强的通道，从而有效减少冗余信息。接着，采用滤波器组正则化共空间模式（Filter Bank Regularized Common Spatial Pattern，FBRCSP）对选定通道进行特征提取，结合滤波与正则化策略，进一步提升特征的判别能力。
本文详细内容请下载：
//www.51qz.net/resource/share/2000006799
作者信息：
王鹏，谭理泽，马云云
（昆明理工大学 信息工程与自动化学院，云南 昆明 650500）
