阅读笔记1：基于深度学习卷积网络的脑电运动想象分类方法

论文信息

• 题目：基于深度学习卷积网络的脑电运动想象分类方法
• 作者：陈娇
• 单位：南京医科大学附属儿童医院
• 发表时间：2019.08

笔记

• 脑机接口研究的关键点在于准确对脑电信号进行分类。常规方法是将原始的脑电信号进行特征提取，如AAR模型、共空间模式、小波分解和功率谱估计等，再将特征值送入分类器进行分类，常见的分类器有线性判别、SVM、贝叶斯分类和神经网络等。

AAR（adaptive autoregressive model 自适应自回归模型）：是统计上一种用来处理时间序列的方法。用同一变量如x之前时间段的表现来预测本期x的表现。从回归分析中的线性回归发展而来，只是不用x来预测y，而是用x来预测x。\

共空间模式：共空间模式（CSP）是一种对两分类任务下的空域滤波特征提取算法，能够从多通道的脑机接口数据里面提取出每一类的空间分布成分。公共空间模式算法的基本原理是利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得两类信号的方差值差异最大化，从而得到具有较高区分度的特征向量。

朴素贝叶斯分类

• C3和C4 位于大脑皮层的运动感觉区域，是和运动功能最为相关的大脑区域。
• 事件相关同步（ERS）和事件去相关同步（ERD）是预测左右手运动的根本依据。

在单手准备和执行运动时，对侧感觉运动皮质脑电信号中α频段（8_{12Hz）和β频段（13}30Hz）出现振幅降低，并称为ERD，代表受激活的皮质脑电信号振幅减低。
同时，运动手同侧的脑皮质信号中α频段（8