《Big Data and Cognitive Computing》：Optimization of Signal Features in EEG-BCI Based on Multi-Class Subject-Specific Motor Imagery Classification
编辑推荐：
运动想象（Motor Imagery, MI）基础的脑–机接口（Brain–Computer Interfaces, BCIs）通常严重依赖受试者特异性特征选择以实现高分类准确率。然而，这引入了巨大的计算开销和校准摩擦，从而限制了临床转化。本研究对三种不同的特
运动想象（Motor Imagery, MI）基础的脑–机接口（Brain–Computer Interfaces, BCIs）通常严重依赖受试者特异性特征选择以实现高分类准确率。然而，这引入了巨大的计算开销和校准摩擦，从而限制了临床转化。本研究对三种不同的特征选择算法——遗传算法（Genetic Algorithm, GA）、差分进化（Differential Evolution, DE）和 Relief-F——进行基准测试，以判定是否可以在受试者间可靠地建立一个由跨受试者识别的共有共享特征组成的通用特征集，从而减少或消除对受试者特异性特征优化的需求。为评估此目标，本研究采用被试内（within-subject）方法分析了源自 BCI Competition IV Dataset 2A 和 PhysioNet EEGMI 数据集的多类别 MI 数据。处理流程应用独立成分分析（Independent Component Analysis, ICA）进行伪迹去除，为每个受试者选取一个洁净的代表性成分进行分析。数据增强被用于增加试验样本量并提升分类器泛化性能。特征跨多个域提取，包括时域指标、小波包分解（Wavelet Packet Decomposition, WPD）节点、频带比以及绝对与相对频谱功率。分类采用 K-近邻（K-Nearest Neighbors, KNN）、支持向量机（Support Vector Machines, SVM）、线性判别分析（Linear Discriminant Analysis, LDA）以及一种融合 EEGNet 与 DeepConvNet 各自优势的混合深度学习模型。评估结果揭示，在 BCI Competition 数据集上，DE-SVM 取得了整体最佳性能，平均准确率达 93.48%，而 GA-SVM 在 PhysioNet 数据集中以 89.71% 的准确率成为最优。此外，消融实验确认 SVM 是两个数据集上均表现最优的分类器，平均准确率分别为 88.29%（BCI Competition）和 90.26%（PhysioNet）。对这些消融结果的统计分析确认，通用特征集可在 MI-BCI 系统中被稳健地利用。这些发现表明，固定且泛化的特征子集能够有效替代动态的受试者特异性优化，从而为更高效、更可扩展的 BCI 部署提供了一条简化的路径。
运动想象（Motor Imagery, MI）基础的脑–机接口（Brain–Computer Interface, BCI）在神经康复与人机交互领域展现出控制外部设备的巨大潜力。然而，将这些系统从受控实验室环境推向实际应用的主要障碍，在于对广泛个体校准的依赖，这已成为制约该技术普及的关键瓶颈。该问题由两大相互关联的因素驱动：首先，人类神经架构在受试者间与受试者内存在高度变异，可产生高度特异性的运动神经表征；其次，脑电图（Electroencephalogram, EEG）信号常因生理与非生理伪迹、受试者疲劳、电极阻抗波动及精神状态漂移而呈现低信噪比（Signal-to-Noise Ratio, SNR）与非平稳特性。尽管现有文献已对多种特征选择方法进行性能排序对比，但这些研究多聚焦于优化算法本身的优劣，而忽视了所选特征在结构层面的跨受试者共性，尤其缺乏对是否存在一个主导性的通用共享特征子集能够在不依赖个体校准的情况下独立运作的系统评估。因此，研究人员开展本研究，核心在于探究能否通过一个跨频率交集构建的通用共享特征子集来免除个体校准，同时维持甚至接近现有的分类性能。
为回答上述问题，研究人员建立了双范式比较框架，将个体化模式（Individualized Mode）与通用模式（Universal Mode）纳入统一评估体系，以Relief-F、遗传算法（Genetic Algorithm, GA）与差分进化（Differential Evolution, DE）为对象，在BCI Competition IV Dataset 2A与PhysioNet EEG Motor Imagery Dataset上检验通用特征集的可行性。研究得出核心结论：固定且泛化的特征子集能够有效替代动态的受试者特异性优化，在显著削减计算开销与校准摩擦的同时维持稳健的分类性能。这一发现为MI-BCI的临床转化与规模化部署提供了一条简化且可扩展的技术路径。
研究人员采用四阶段实验流程。首先，通过独立成分分析（Independent Component Analysis, ICA）对多变量EEG进行盲源分离，依据空间峰度与1–30 Hz/40–100 Hz频带功率比的组合质量指标，为每个受试者自动筛选单一代表性独立成分（Independent Component, IC），在保留皮层神经活动的同时抑制眼动及肌电伪迹；随后进行epoching分段与基线校正，并实施基于零均值高斯噪声的数据增强（2%扰动系数、数据三倍扩充）。特征层面，从时域（均值、方差、均方根、总能量）、五层小波包分解（Wavelet Packet Decomposition, WPD；Daubechies d4b母小波，32个终端节点的对数能量、偏度、峰度）及功率谱（Delta至Gamma频段绝对/相对功率、谱熵、Alpha/Beta功率比）提取60维特征向量。特征选择采用包装式策略：GA（种群规模200、60代、0.15惩罚因子）、DE（种群规模200、60代、缩放因子F=0.8、交叉概率CR=0.9、alpha=0.15），以及滤波式策略Relief-F（k=10近邻、10%噪声底与几何肘部检测）。分类模块对比K-近邻（K-Nearest Neighbors, KNN；k=3，Cityblock距离）、支持向量机（Support Vector Machine, SVM；径向基核函数、代价参数C=2、纠错输出码框架）、线性判别分析（Linear Discriminant Analysis, LDA；伪线性估计、正则化参数1）与EEGNet+DeepConvNet特征级混合模型。性能评估采用宏平均One-vs-Rest策略，综合准确率、精确率、召回率、F1分数、Cohen's Kappa与ROC-AUC进行多维验证。
研究结果
*4.1 独立成分选择及验证*
通过峰度空间拓扑与频谱噪声指标的自动化筛选及必要的人工视觉复核，研究人员为每个受试者锁定了单一最优IC。敏感性分析表明，单IC策略有效规避了多成分方案中因高频模糊或伪迹污染导致的虚假高准确率（如Subject S008在DE-SVM下于IC54出现噪声驱动的100%虚高），同时所选成分在8–12 Hz Mu节律处呈现明确频谱峰值，为后续分析提供了高保真神经源基础。
*4.2 特征选择方法*
GA与DE的进化搜索过程（可视化选择频率）显示，高频WPD节点及时域统计量（如Mean、WPD-Kurt）在受试者层面占主导地位；Relief-F则通过权重排序量化了个体特征的区分贡献，几何肘部检测在代表性受试者中截取出前9个特征，证实不同算法均能识别具有判别力的神经标志物，但在稳定性上存在显著差异。
*4.3 BCI Competition IV Dataset 2A 结果*
*4.3.1 特征维度*：GA与DE在九名受试者中维持了相对稳定的特征子集规模，而Relief-F表现出剧烈波动（Subject A08仅3个特征至A05达56个），说明滤波方法对个体神经信号质量更为敏感，易受肘部阈值影响。
*4.3.2 多模型分析*：DE-SVM以93.48%的平均准确率（标准差±1.67%）位居榜首，确立了SVM在非线性可分特征空间中的显著优势。整体模型层级稳定为SVM > 混合深度学习模型 > KNN > LDA；其中LDA因受限于线性假设，在复杂运动想象模式下性能常低于40%。混淆矩阵与ROC曲线显示，SVM在各类别上AUC介于0.972至0.999，t-SNE投影进一步揭示尽管二维平面存在类别重叠，但SVM在高维空间中仍实现了有效分离。
*4.4 PhysioNet 结果*
*4.4.1 特征维度*：GA与DE继续保持22至37个特征的稳定范围，而Relief-F在Subject S008异常地选择了44个特征，再次印证包装式方法对高维特征空间的正则化能力优于滤波方法。
*4.4.2 多模型分析*：GA-SVM达到89.71%的峰值准确率。SVM在所有特征选择方法下均保持最低性能方差（3.46%–4.24%），证明其对受试者间生理差异具有最强稳健性；混合模型虽平均准确率较高，但方差（5.75%–5.86%）大于SVM；LDA与KNN则受限于非线性特征结构而表现欠佳。Subject S005与S008的混淆矩阵显示主要误分类集中于Right Hand与Both Fists，ROC-AUC峰值达0.9928。
*4.5 消融研究*
研究人员通过取GA与DE在至少10/18名受试者（或8/18名且具特殊意义）中的交集特征，并结合Relief-F权重排序，构建了包含Absolute Beta High、Absolute Alpha High、Absolute Gamma High及Node 6/12/13/16/26等标志的通用特征集。双尾配对t检验显示，在BCI Competition数据集上，通用集与Relief-F在SVM上的差异具有统计学意义，但与GA/DE的差异未达显著；在PhysioNet数据集上，多数比较无统计学差异（p > 0.05），表明通用特征集可达到与密集个体优化相当的性能水平，提供了更稳定、去噪的泛化特征流形。
讨论与结论
研究人员在讨论中指出，ICA作为预处理门槛有效抑制了伪迹，而包装式方法（GA/DE）虽以迭代搜索换取高准确率，却带来显著的计算延迟；Relief-F作为确定性排序方法虽具备计算效率，但无法捕捉高阶特征协同作用。跨数据集一致的性能层级（SVM > Hybrid > KNN > LDA）证实运动想象特征空间本质上具有非线性结构。通用特征集虽在峰值准确率上略逊于完全个体优化，但显著降低了校准负担；尤其在PhysioNet数据集上，其与受试者特异性优化的性能差异未达统计显著，验证了免校准实时部署的可行性与优越性。同时，研究承认当前存在手动IC审查引入主观性、样本量受限导致对未见受试者泛化性未知、跨会话稳定性未充分评估，以及当前离线框架距离硬实时临床部署仍需工程化集成等局限。
本研究表明，通过BCI Competition IV Dataset 2A与PhysioNet EEGMI数据集的跨算法基准比较，可建立跨越受试者的通用共享特征集以替代个体特异性特征优化。经ICA伪迹抑制、数据增强及多域特征提取优化的信号处理流程，成功捕获了稳健的脑电表征；分类与消融评估确定支持向量机（SVM）为最优架构，在BCI Competition数据集上峰值平均准确率达93.48%（DE-SVM），在PhysioNet数据集上达89.71%（GA-SVM），对应的消融配置分别维持88.29%与90.26%的跨数据集基线。统计验证确认这些通用特征子集在受评受试者中表现可靠，有望消除MI-BCI中的计算瓶颈与校准壁垒，为高效临床转化及实时部署提供简化且可扩展的框架。
