基于深度特征提取与群体智能优化的增强极限学习机在卒中患者运动想象识别中的应用

本文提出了一种结合多域特征提取（SIFT+1D CNN）与进化算法优化（DE/PSO/DMS-PSO）的增强极限学习机（EELM）架构，用于卒中患者脑电图（EEG）运动想象（MI）分类。该方法通过事件相关去同步（ERD）频段选择、时空混合特征融合及动态多群粒子群优化，在50例卒中患者数据集中实现97%分类准确率，为BCI（脑机接口）临床康复提供轻量化高精度解决方案。

　　

亮点

• 创新性架构整合进化优化算法与增强极限学习机（EELM），有效应对高维度非平稳脑电（EEG）数据挑战，显著提升运动想象（MI）分类的泛化能力和鲁棒性。

• 专为卒中患者设计的定制化模型，通过优化频段选择和分类策略，成功解决个体差异大、单病例数据量少的临床难题。

• 双特征提取策略融合尺度不变特征变换（SIFT）与一维卷积神经网络（1D CNN），全面捕捉EEG信号的时空动态特征。

• 采用差分进化（DE）、粒子群优化（PSO）及动态多群PSO（DMS-PSO）优化EELM权重，其中DMS-PSO在卒中数据集、BCI竞赛IV 1a和2a数据集上分别取得97%、95%和91.56%准确率，证实其适用于实时BCI应用。

方法

本节详述了融合进化动力学机制的CNN-SIFT驱动EELM架构。实验在配备T4 GPU的Google Colab平台（Python 3.10.12）完成，涵盖预处理、基于ERD的个性化频段选择、SIFT空间特征与1D CNN时序特征融合，以及三类优化算法的权重调参流程。

结果

在50例卒中患者、BCI IV 1a（7例）和IV 2a（9例）数据集上的10折交叉验证显示：DMS-PSO优化的EELM分类性能全面超越传统方法（如EEGNet和Shallow ConvNet），耗时仅0.42秒/样本，满足实时性要求。图9展示了该系统驱动MI控制轮椅的卒中康复应用场景。

结论

该混合方法通过进化算法与EELM的协同优化，突破卒中患者MI-EEG小样本分类瓶颈，为神经康复提供高精度轻量化模型。未来将探索跨中心数据验证与嵌入式部署。