摘要：目的：受医疗保健4.0的推动，本研究旨在基于人工提取的特征（包括时域和频域中的统计特征）降低传统脑电特征的维数。方法：使用四阶巴特沃斯滤波器和小波包变换从UNM和Iowa数据集中提取了总共22个多尺度特征。基于单通道验证，从59个公共通道池中选择了R2得分最高的29个通道。在UNM数据集上验证了所提出的通道选择方案，并在Iowa数据集上进行了测试，以将其通用性与未进行通道选择训练的模型进行比较。结果：实验结果表明，所提出的模型实现了100％的最佳分类准确率。此外，通过基于Iowa数据集的样本外测试验证了通道选择方法的泛化能力结论：使用单通道验证，我们提出了一种基于传统统计特征的通道选择方案，最终选择了29个通道。该方案显著降低了帕金森病相关脑电特征向量的维数 50%。值得注意的是，该方法在 UNM 和 Iowa 数据集上都表现出了相当好的分类性能。对于闭眼状态，最高分类准确率为 100%，而对于睁眼状态，最高准确率达到 93.75%。