4、基于脑电图信号的智能设备关键词识别新方法

基于脑电图信号的智能设备关键词识别新方法

1. 引言

脑机接口（BCI）领域的进步通过非侵入式脑电图（EEG）推动了多个应用的发展。在所有BCI开发技术中，EEG因其高时间信号分辨率、安全性、便利性和可用性而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。

脑电图通过测量神经电流来检测人脑内的活动，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信号会受到手部运动、眼部运动等身体活动以及电源线干扰的影响，因此采集到的信号需要进行预处理，也就是信号增强。许多研究人员引入了诸如独立成分分析（ICA）、主成分分析（PCA）等去除EEG数据伪影的技术，其中多数研究者采用ICA、PCA、自适应滤波和公共平均参考（CAR）方法进行去噪。

EEG信号处理在情感分类、癫痫检测或预测等广泛应用中得到了广泛认可。下面为你列举一些相关的非侵入式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，采用小波变换和模拟分析技术进行信号分析，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，通过自回归（AR）模型和带功率估计（BPE）技术提取左右手想象运动的特征，使用三层前馈神经网络进行分类并与线性判别分析（LDA）比较。
- Robinson等人通过EEG信号研究手运动相关的脑机接口，利用小波 - 公共空间模式（W - CSP）算法计算E