本文研究了心理任务分类——基于脑机接口 (BCI),因为这是 BCI 的主要研究领域,而且这些系统可以改善严重残疾的人的生活,因此备受关注。BCI 模型的性能主要取决于特征向量的大小,该向量通过多个通道获得。在心理任务分类的情况下,特征的训练样本可用性极低。通常,特征选择用于通过去除不相关和多余的特征来提高心理任务分类的比率。本文提出了一种选择相关和非冗余光谱特征进行心理任务分类的方法。这可以通过使用四种非常知名的多变量特征选择方法来实现,即 Bhattacharya 距离、散点矩阵比、线性回归和最小冗余与最大相关性。这项工作还涉及心理任务分类的多变量和单变量特征选择的比较分析。应用上述方法后,研究结果表明,学习模型在心理任务分类方面的性能得到了显著改善。此外,通过执行稳健的排序算法和弗里德曼统计测试来找到最佳组合并比较功率谱密度和特征选择方法的不同组合,证明了所提出方法的有效性。
主要关键词