编辑推荐：
本研究针对多类运动想象脑电信号分类中特征提取片面和分类精度低的问题，提出了一种基于多域特征融合和优化多核极限学习机（RIO-MKELM）的脑电信号识别方法，最终分类准确率达到95.49%，为脑机接口系统的发展提供了重要支持。
脑机接口（BCI）技术作为连接人脑与外部设备的桥梁，近年来在神经科学和康复医学领域备受关注。然而，脑电信号（EEG）的复杂性和个体间差异使得运动想象（MI）信号的有效特征提取成为提升BCI系统性能的关键。为解决这一问题，国内东北电力大学的研究人员提出了一种基于多域特征融合和优化多核极限学习机（RIO-MKELM）的脑电信号识别方法。该方法通过融合时域、频域和空域特征，结合核主成分分析（KPCA）降维和优化算法，显著提高了多类运动想象任务的分类精度，为单关节多任务MI-BCI系统的实用化提供了重要支持。研究成果发表在《Scientific Reports》上，为脑机接口技术的发展提供了新的思路和方法。
研究背景与问题
脑机接口（BCI）系统通过解码大脑信号实现人脑与外部设备的直接交互，运动想象（MI）作为一种重要的信号源，因其无需实际运动即可产生脑活动而被广泛研究。然而，EEG信号的复杂性以及个体间差异使得有效特征提取面临挑战。目前，大多数研究仅从单一域（如时域、频域或空域）提取特征，难以充分利用信号的多维度信息，导致分类精度有限。
研究方法
为解决上述问题，东北电力大学的研究人员提出了一种基于多域特征融合和优化多核极限学习机（RIO-MKELM）的脑电信号识别方法。研究中，首先采用改进的综合集成经验模态分解（ICEEMD）算法结合皮尔逊相关系数对EEG信号进行预处理，以消除噪声和干扰。随后，利用多变量自回归（MVAR）模型、小波包分解和黎曼几何方法分别从时域、频域和空域提取特征，构建联合时频空特征向量。接着，通过核主成分分析（KPCA）对联合特征进行融合和降维，最终将降维后的特征向量输入到RIO-MKELM进行分类。
研究结果
实验中，6名右撇子受试者参与了肩部外展、伸展和屈曲三种运动想象任务的EEG信号采集。结果显示，通过多域特征融合和RIO-MKELM优化，最终分类准确率达到95.49%，敏感性为97.88%，特异性为98.12%，召回率为97.88%，F1分数为96.67%。与单一域特征提取方法相比，多域特征融合方法的平均分类精度提高了至少2.16%。此外，通过KPCA降维后，特征维度减少了88.1%，同时保持了超过95%的分类精度。
关键技术方法
研究中使用的关键技术包括：
改进的综合集成经验模态分解（ICEEMD）：结合皮尔逊相关系数对EEG信号进行预处理，去除噪声和干扰。
多域特征提取：利用MVAR模型、小波包分解和黎曼几何方法分别从时域、频域和空域提取特征。
核主成分分析（KPCA）：对联合特征进行融合和降维，提高特征的可分性。
优化多核极限学习机（RIO-MKELM）：通过半径信息优化算法调整核函数参数，提升模型的分类性能。
研究结论与讨论
本研究提出的方法在多类运动想象EEG信号分类中表现出色，显著提高了分类精度和模型的泛化能力。通过多域特征融合，能够更全面地捕捉脑活动的多维度信息，为BCI系统的实用化提供了有力支持。此外，RIO-MKELM优化算法在不同训练数据规模下均表现出良好的优化效果，进一步验证了该方法的稳定性和有效性。未来的研究方向将集中在降低计算成本和提高实时性，以满足实际应用中对低延迟和高效处理的需求。
