王凤琴，柯亨进

1.湖北师范大学 物理与电子科学学院，湖北 黄石435106

2.武汉大学 计算机学院，武汉435001

作为脑健康服务的核心部件，在线脑电分类能远程监测和评估脑障碍状态（如癫痫[1]和抑郁症（MDD）[2]）而蓬勃发展。对于MDD，准确评估脑状态并及时跟踪其发展状态可以将其陷入危险和自杀的风险降为最低[3]。EEG通常是弱信号、强噪声和非平稳的混合体，对其准确分类仍然是一个亟需解决的问题[4]。几十年来，其活跃在两个研究领域：（1）预处理；（2）特征提取。预处理旨在去除脑电信号中的噪声与伪逆。在大多数情况下，噪声和干扰与患者密切相关，其去除即使理论上可行，也需要昂贵的人工处理[5]；特征提取能够实现降维，并支持对感兴趣信号的有效探索[6]。在众多特征提取方法中，共有空间模式的精度最高，达到87.4%[7]，矩阵分解方法精度达到86.61%，近年来，作为脑电特征提取的主导方法，时频分析的精度达到87.5%[8]。传统的预处理与特征提取方法不仅需要昂贵的计算量，而且分类性能仍落后于临床实践应用日益增长的精度需求。

EEG分类一直是脑神经科学研究和临床实践中的重要课题。现有工作大多依赖特征提取，最近，机器学习方法蓬勃发展。沿着这一方向最突出的工作介绍如下：Mumtaz等人[8]提出了一种基于小波变换的时频分解的分类方法，对MDD患者和健康对照组的诊断准确率为87.5%。为了有效地识别严重抑郁症的异质性病变，提出了一种基于脑电信号的频谱空间特征提取方法，达到平均81.23%的准确率[9]。……