王金甲 胡 备

（燕山大学信息科学与工程学院，秦皇岛 0 66004）

引言

脑机接口（brain-computer interface，BCI）主要目的就是希望建立人脑和计算机（或仪器设备）的直接通信，进而实现人脑对外部设备的控制［1］。从复杂脑电EEG信号中提取可以有效分类的特征就成为了脑机接口中一个严峻挑战。

对于脑机接口左右手想象运动的脑电EEG信号特征选择和提取，很多文献中都有研究报道。研究者采取很多脑电特征对想象运动进行分类，如共空间模式（common spatial pattern，CSP）、核共空间模式（kernel CSP，KCSP）、核线性判别分析（kernel discriminant analysis，KDA）、自回归模型参数等［2－5］。CSP方法针对脑机接口中想象运动的分类效果已被广泛认可［2］，但其缺点在于对两类样本严格的线性假设，针对这一问题文献［3］提出了KCSP，引入核函数很好解决了线性要求限定，新问题是计算复杂性；文献［6］采用聚类方法解决计算复杂性问题，这在一定程度上丢失了部分特征。对此本研究提出了一种基于核方法和广义奇异值分解［7］（generalized singular value decomposition，GSVD）的广义核线性判别分析方法（GKLDA）。首先通过一个非线性映射，将训练数据映射到一个高维特征空间，解决了CSP中对原始数据线性的要求，使得不同类别EEG信号在该空间线性可分（或近似线性可分），采用线性判别分析，寻找一个最佳投影方向，即为最优空域滤波器。在解该滤波器时，为了最大限度的释放不同类间的非线性模式，同时解决小样本采样问题，采用GSVD方法解除了奇异性限定。最后将数据通过该最优空域滤波器，提取最佳非线性特征进行分类。分类器采用fisher线性判别分析分类器。……