编辑推荐：
针对 MEG 数据在心理意象（MeI）任务解码中高维特征利用不足、缺乏专用算法的问题，研究人员提出集成框架：采用 CC-VEP 选通道、DivCSP 提特征、MCDM-MCF 融合分类器。实验显示较传统方法精度提升 12.25%，为 MeI-BCI 高效解码提供新路径。
脑机接口（BCI）如同连接大脑与外部世界的 “数字桥梁”，在医疗康复领域展现出巨大潜力，尤其是基于心理意象（MeI）的 BCI，能通过解码大脑信号为运动障碍患者提供新的交互与治疗方式。然而，脑磁图（MEG）作为 BCI 的关键技术，虽具备优越的时空分辨率，却面临两大难题：一是 MEG 信号的高维特性未被充分挖掘，大量数据中混杂的噪声和冗余信息干扰解码精度；二是缺乏专为 MEG 设计的高效特征提取与分类算法，传统方法难以平衡信号处理的效率与准确性。这些挑战使得 MEG 在 BCI 中的应用受限，亟需创新解决方案。
为突破上述瓶颈，国内研究团队开展了相关研究。他们提出一种新型集成处理框架，旨在提升基于心理意象的脑机接口（MeI-BCI）性能。该研究成果发表在《Biomedical Signal Processing and Control》。
研究采用的关键技术方法包括：
- CC-VEP 通道选择：结合相关系数（CC）和方差熵积（VEP），筛选与任务相关的通道，抑制噪声和冗余，提升信噪比。
- DivCSP 特征提取：引入类内正则化项的散度共同空间模式算法，增强特征判别力与抗噪性。
- MCDM-MCF 分类器融合：基于改进多准则决策的融合策略，整合 K 近邻（K-Nearest Neighbors）、随机森林（Random Forests）、支持向量机（SVM）和极限学习机（ELM）等基础分类器的概率输出，生成最终分类标签。
研究结果
1. 各阶段框架性能提升
在 “词语 vs. 减法” 任务对中，框架各解码阶段均显著提升分类精度。通过 CC-VEP 筛选通道后，数据维度降低的同时保留关键信息，为后续特征提取奠定基础；DivCSP 提取的特征有效区分任务相关脑活动模式；MCDM-MCF 融合策略综合多分类器优势，进一步优化决策过程。
2. CC-VEP 通道选择效能
对比 CC、VEP 单一方法，CC-VEP 在 6 种二元任务中展现更优分类精度。该方法兼顾通道间信息相关性与单通道信息丰富度，例如在受试者 P02 的数据中，结合四种基础分类器，CC-VEP 使分类精度显著高于单一策略，验证了其在通道优化中的有效性。
3. 整体框架对比优势
在公开 MEG 数据集上，框架分类精度较传统方法中所有基础分类器的平均精度提升 12.25%，较现有其他方法提升 7.97%。同时，框架有效平衡特异性与敏感性，增强模型鲁棒性，表明其在复杂脑信号解码中的优越性。
研究结论与意义
本研究构建的集成框架通过 “通道选择 - 特征提取 - 分类融合” 三阶段优化，系统性解决了 MEG 信号在 MeI-BCI 中的高维数据处理难题。CC-VEP 从数据源头抑制噪声，DivCSP 强化特征分离，MCDM-MCF 突破单一分类器局限，三者协同提升解码效能。实验结果不仅验证了框架在运动想象（MI）、认知想象（CI）等任务中的有效性，还为临床应用中降低 BCI 硬件复杂度、提升系统稳定性提供了技术路径。该研究拓展了 MEG 在神经康复领域的应用边界，为开发更精准、鲁棒的脑机接口系统奠定了基础，有望推动心理意象驱动的医疗技术向临床转化迈出关键一步。
