一种基于功能连接性和集成学习的脑机接口框架，用于运动想象分类：迈向医疗和工业领域的实时应用

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：A Brain–Machine Interface Framework for Motor Imagery Classification Using Functional Connectivity and Ensemble Learning: Toward Real-Time Applications in Healthcare and Industry

脑机接口（BMI）通过整合MILimb数据集的相位锁定值（PLV）与时域特征，构建集成学习模型实现93.98%-98.99%的高精度运动想象分类，并在实时无人机控制中验证其动态适应性。

　　

摘要

脑机接口（BMI）的应用对医疗保健和工业领域（如辅助技术和控制系统）具有益处。然而，由于缺乏能够记录多种上肢和下肢运动的全面脑电图（EEG）数据集，基于运动成像（MI）的BMI开发面临重大挑战。在本研究中，我们使用了包含多种运动想象数据的MILimb数据集。随后，我们开发了一种特征提取方法，该方法结合了利用相位锁定值（PLV）的功能连接性和时域特征。提取的特征被输入到集成学习模型中，用于将不同的运动想象动作与睁眼基线状态进行分类。结果表明，所提出的方法显著优于传统方法，分类准确率介于93.98%到98.99%之间。此外，该模型还通过实时在线分类成功控制了无人机，证明了其在动态条件下的鲁棒性和有效性，展现了其在实际应用中的可行性。这些发现进一步展示了所提出方法在连接离线分析与实时BMI系统之间的潜力，为医疗保健和工业领域的重要应用提供了支持。