基于Boosting的中风患者康复训练中脑电图分析的空间谱模型

研究表明，基于运动图像脑电图（EEG）的脑机接口（BCI）系统可以用作中风患者的康复工具。 在基于BCI的中风康复系统中，对中风患者的脑电图进行有效分类是至关重要的。 EEG分类最成功的算法之一是通用空间模式（CSP）。 但是，研究报告称，CSP的性能在很大程度上取决于其工作频段和信道配置。 据我们所知，关于中风患者运动图像模式的临床结论尚无共识。 在这种情况下，无法预先获得与中风患者的脑活动相关的活动通道和频带。 因此，对于使用CSP算法，我们通常设置相对较宽的频率范围和频道，或者尝试查找与主题相关的频段和频道。 为了解决这个问题，我们提出了一种自适应增强算法来执行关键信道和频带的自主选择。 在该方法中，将空间光谱构型划分为多个前提，并在此前提下利用新的启发式随机梯度提升策略监督器对弱分类器进行训练。 在三个数据集上进行了广泛的实验比较，包括来自著名的BCI竞赛III和BCI竞赛IV的两个基准数据集，以及一个来自中风患者的自采集数据集。 结果表明，与七个最新方法相比，我们的算法产生了相对更高的分类精度。 另外，由算法确定的空间模式（空间权重）和频谱模式（带通滤波器）也可以用于数据的进