4、智能设备上基于脑电图信号的关键词识别新方法

智能设备上基于脑电图信号的关键词识别新方法

1. 引言

脑机接口（BCI）领域的进步借助非侵入式脑电图（EEG）推动了多个应用的发展。在众多BCI开发技术中，EEG因其高时间信号分辨率、安全性、便利性和可用性，成为最受认可的方法。EEG数据可通过放置在头皮上的10 - 20个电极收集。

脑电图测量人脑内的神经电流活动，即电活动。人脑电活动的变化会影响EEG模式，这些模式可用于操作BCI系统。BCI系统分为侵入式和非侵入式两类，本研究聚焦于非侵入式BCI。由于EEG信号会受手部运动、眼部运动等身体动作以及电源线干扰的影响，获取的信号可能存在噪声，因此必须对电活动获取的信号进行预处理，即信号增强。许多研究人员引入了从EEG数据中去除伪影的技术，如独立成分分析（ICA）、主成分分析（PCA）、共同空间模式（CSP）、空间 - 空间模式（CSSP）、共同平均参考（CAR）和自适应滤波。多数研究人员采用ICA、PCA、自适应滤波和CAR方法进行去噪。

EEG信号处理在情感分类、癫痫检测或预测、运动想象分类、睡眠状态分类、药物效果诊断、疲劳识别、手部运动检测、心理任务分类等广泛应用中得到了广泛认可。下面介绍一些已有的非侵入式EEG研究：
- 癫痫检测 ：Rosado等人提出了一个通过多阶段检测算法自动检测EEG信号中癫痫样放电的系统，利用小波变换和模拟分析技术进行EEG信号分析，并借助模糊逻辑进行分类，有助于癫痫诊断。
- 脑机接口开发 ：
- Phothisonothai等人利用自发EEG信号开发脑机接口，捕捉左右手想象动作，通过自回归（AR）模型和带功率估计（BPE）技术提取特征，使