基于黎曼空间的脑电信号特征提取和分类算法的对比研究

目前运动想象脑电信号(motor imagery electroencephalogram, MI-EEG)的分类方法主要分为两种，一种是利用人工设计MI-EEG特征的相似度/非相似度度量进行分类的算法，另一种是利用深度学习自动学习特征完成分类的算法。为探究两种方法的优劣及适用场景，本研究首先基于黎曼空间提出利用Stein散度作为MI-EEG的相似度/非相似度度量，用K最邻近法进行分类的算法；其次，提出利用黎曼流形结构下的卷积神经网络自动提取脑电信号特征进行分类的算法，最后对两种分类算法进行对比研究。为验证两种算法的有效性，在BCI Competition IV-2a公开数据集上进行实验测试。结果证明，两种分类算法均具有较强的稳定性和分类准确率，利用黎曼流形结构的卷积神经网络算法可获得更高的分类准确率，传统机器学习中利用Stein散度作为MI-EEG相似度/非相似度度量的脑电分类算法运行时间更短，更适合MI-EEG的在线解码。