46、《脑电信号分类：单主体与跨主体模型及混合神经网络架构研究》

《脑电信号分类：单主体与跨主体模型及混合神经网络架构研究》

在当今科技发展的浪潮中，脑电信号（EEG）分析在医疗、人机交互等领域展现出了巨大的潜力。尤其是对于存在身体残疾的用户，通过分析与人类 - 计算机交互（HCI）相关的EEG数据，能够为他们的日常生活提供有力支持。本文将围绕单主体与跨主体运动想象模型以及混合深度神经网络架构在EEG数据分类中的应用展开探讨。

单主体与跨主体运动想象模型

脑电信号的一个显著特点是，大脑对相同刺激的反应信号因人而异，具有独特性。这一特性使得绝大多数EEG分类方法都依赖于特定主体。不同主体在执行相同任务时所收集到的EEG数据存在差异，这很可能是导致跨主体训练模型性能不如单主体模型的原因。

通过对BCI IV 2a数据集中的运动想象数据进行分类研究发现，单主体模型在分类性能上优于九人跨主体模型。在对多种算法进行评估时，支持向量机（SVM）在所选算法子集中对EEG运动想象分类数据的表现最佳。然而，几乎所有的跨主体模型与单主体训练模型相比，都出现了显著的精度损失。

以下是各单主体模型在不同算法下的准确率：
| 主体 | LDA without shrinkage | CNN | AdaBoost | Random forest 50 estimators | Random forest 10 estimators | LDA with ledoit wolf | LDA with OAS | SVM |
| — | — | — | — | — | — | — | — | — |
| 1 | 24.9% | 25.3% | 62.6% | 79.6% | 80.0% | 83.6% | 83.6% | 85