郜东瑞，周 晖，冯李逍，张云霞，彭茂琴，张永清,3*

(1.成都信息工程大学计算机学院 成都610025；2.电子科技大学生命科学与技术学院 成都611731；3.电子科技大学计算机科学与工程学院 成都611731)

运动想象作为脑机接口(brain computer interface,BCI)的一个热门领域已经广泛应用在医疗康复中。运动想象(motor imagery,MI)主要通过采集受试者想象肢体运动的脑电信号，并使用机器学习(machine learning, ML)的方法进行分类，最终将分类结果反馈给外界设备，辅助受试者进行肢体运动，达到帮助身体残疾的人进行日常运动的目的，因此该研究方向在医疗康复领域有重大的意义[1]。

在基于BCI-MI的研究中，特征提取方法将直接影响脑机接口分类的准确率，特征提取主要在时域、频域和空域上进行。空域上的特征提取主要是采用共空间模式(common spatial pattern,CSP)以及相关改进算法。文献[2]提出了一种特征权重CSP算法来提取空域特征。文献[3]介绍了目前常用的几种特征选择算法，包括基于信息熵、基于相关系数等。文献[4]对2007年以前的BCI分类算法做了总结，包括线性分类器以及神经网络分类器等。2017年该文献作者又总结了近十年创新的分类方法，将分类方法扩展到流形学习、迁移学习以及张量学习上面。文献[5]对集成分类器做了创新并应用在BCI中，文献[6]在黎曼几何分类器的研究上做了总结并通过协方差矩阵来提升分类器的性能，将黎曼分类器的准确率提升了1.2%～3.6%。文献[7]通过迁移学习提高MI分类性能，降低了计算复杂度并提高了2%～6%的准确率。近几年随着优化算法的普及，各类优化算法都结合着分类器或特征选择算法来处理脑电数据，文献[8]通过粒子群优化算法结合支持向量机、粗糙集以及相对约减集来进行模式分类和特征选择。……