基于P300特征的脑-机接口解码算法研究综述.pdf

文章编号：1003-0530（2023）08-1367-19第 39 卷 第 8 期2023 年8 月信号处理Journal of Signal ProcessingVol.39 No.8Aug.2023基于P300特征的脑-机接口解码算法研究综述刘邈1，2 林超1 韩锦2 肖晓琳2 许敏鹏1，2 明东1，2（1.天津大学医学工程与转化医学研究院，天津 300072；2.天津大学精密仪器与光电子工程学院，天津 300072）摘 要：脑-机接口是脑与外部设备连接进而实现信息交换技术，核心是发挥人脑的优势，直接通过人脑与外部环境进行高效互动，目前已成为世界各国的研究热点。P300是由特定刺激范式激发的事件相关电位中的一个典型成分，最初研究发现，当人脑受到某些小概率事件刺激时，会在脑电信号中出现一个潜伏期约为300 ms的正向波峰。由于P300成分具有刺激特异性，因此该特性已被广泛用来研究注意、辨认等认知功能，基于P300特征的脑电范式也已经成为三大主流范式之一。近年来，结合P300和脑-机接口的具有实用功能的应用大量涌现，与此相关的解码算法也被提出并不断改进，这为人们研究P300脑-机接口提供了便利。然而，P300脑-机接口的相关解码算法缺乏系统性总结，各类算法之间的特点也尚未得到明确比较。该文依据P300成分主要在顶枕区响应的特点，提出了基于非空间信息的P300脑电解码算法；依据P300成分在不同脑区响应特征不同的特点，提出了基于空间信息的P300脑电解码算法；依据近几年信息技术快速发展，深度学习已不断在P300脑-机接口中应用的特点，提出了基于深度学习的新型P300脑电解码算法；从以上三个角度入手，总结近年来P300脑-机接口解码算法的研究进展，并根据现有的P300公开数据集对算法性能进行比较，阐明各算法优缺点及应用范围，最后再进一步探讨现存的典型问题以及未来可能的研究方向。关键词：P300；脑-机接口；空间信息；非空间信息；深度学习中图分类号：TN911.7；R318 文献标识码：A DOI：10.16798/j.issn.1003-0530.2023.08.004引用格式：刘邈，林超，韩锦，等.基于P300特征的脑-机接口解码算法研究综述 J.信号处理，2023，39（8）：1367-1385.DOI：10.16798/j.issn.1003-0530.2023.08.004.Reference format：LIU Miao，LIN Chao，HAN Jin，et al.A review of brain-computer interface decoding algorithms based on P300 features J.Journal of Signal Processing，2023，39（8）：1367-1385.DOI:10.16798/j.issn.1003-0530.2023.08.004.A Review of Brain-computer Interface Decoding Algorithms Based on P300 FeaturesLIU Miao1，2 LIN Chao1 HAN Jin2 XIAO Xiaolin2 XU Minpeng1，2 MING Dong1，2（1.Academy of Medical Engineering and Translational Medicine，Tianjin University，Tianjin 300072，China；2.School of Precision Instrument and Opto-electronics Engineering，Tianjin University，Tianjin 300072，China）Abstract:Brain-computer interface（BCI）is a technology that connects the brain with external devices to achieve information exchange.The core is to bring the advantages of the human brain into play and interact with the external environment directly through the human brain.It has become a research hotspot all over the world.P300 is a typical component of event-related potentials triggered by a specific stimulus paradigm.Initial studies found that when the human brain is stimulated by certain small probability events，a positive peak with a latency of about 300 ms appears in the EEG signal.Because the P300 component has stimulation specificity，it has been widely used to study cognitive functions such as attention and recognition.The EEG paradigm based on the P300 feature has also become one of the three mainstream para收稿日期：2023-03-07；修回日期：2023-04-28基金项目：国家自然科学基金（62122059，61976152，62106170）；济南市“新高校20条”引进创新团队项目（2021GXRC071）信号处理第 39 卷digms.In recent years，there have been a large number of applications with practical functions combining P300 and brain-computer interface，and related decoding algorithms have been proposed and continuously improved，which makes it convenient for people to study P300 brain-computer interface.However，the related decoding algorithms of the P300 brain-computer interface are not systematically summarized，and the characteristics of the algorithms have not been clearly compared.In this paper，a P300 EEG decoding algorithm based on non-spatial information is proposed according to the feature that P300 components mainly respond in the parietal-occipital region.Based on the different response characteristics of P300 components in different brain regions，a P300 EEG decoding algorithm based on spatial information is proposed.Based on the rapid development of information technology in recent years and the characteristics of deep learning in the application of P300 brain-computer interface，a new P300 EEG decoding algorithm based on deep learning is proposed.Starting from the above three perspectives，this paper summarizes the research progress of P300 brain-computer interface decoding algorithms in recent years and the characteristics of deep learning in the application of P300 brain-computer interface，a new P300 EEG decoding algorithm based on deep learning is proposed.Starting from the above three perspectives，summarize the research progress of P300 brain-computer interface decoding algorithms in recent years，and compare the performance of algorithms based on existing P300 public datasets，clarify the advantages，disadvantages，and application scope of each algorithm.Finally，further explore the existing typical problems and potential research directions in the future.Key words:P300；brain-computer interface；spatial information；non-spatial information；deep learning1引言脑-机接口（Brain-Computer Interface，BCI）系统能够替代、修复、增强或者补充中枢神经系统的信号输出，将中枢活动直接转化为人工输出指令，改善中枢神经系统与内外环境之间的交互作用1-2。事件相关电位（Event-Related Potential，ERP），也被称为认知电位，是BCI系统中常用的脑电信号，经典成分包括 P100、N100、P200、N200、P300 等3。其中，最为广泛研究的P300电位被发现与注意和记忆等高级心理活动密切相关4-5，基于P300的脑电范式已成为脑-机接口三大主流范式之一。P300-BCI系统主要包括脑电编码和脑电解码两部分。编码是用以诱发 P300脑电信号的过程，Farewell和Donchin等人利用P300编码实现了世界首例具备字符拼写功能的最为经典的脑-机接口系统6。随后，许多研究者在该范式的基础上进行了改进。Brunner等人7评估了15名被试使用P300拼写器在显性状态和隐形状态下的表现，发现P300拼写 器 的 性 能 取 决 于 被 试 的 专 注 度。Treder 和Blankertz 等学者8开发了一种基于 ERP 的 Hex-o-Spell的两级拼写器，该拼写器由六个圆盘组成，这些圆盘均匀排列在正六边形的顶点上，该范式可以让被试在不移动眼睛的情况下将注意力集中在刺激界面上，用于提高专注度。在随后的研究中，Treder通过引入三种独立的注视拼写器界面，每组界面的字母都与不同的颜色相关联。通过对范式的改进，平均识别准确率超过90%。解码则指对采集到的原始脑电信号进行预处理、特征提取及分类识别的过程，是BCI系统的核心步骤，高效的解码算法对于BCI系统研究有巨大推动作用。随着P300-BCI的发展，各类解码算法大量涌现。最初研究人员认为P300主要分布于顶枕区，并基于其分布区域的导联信息及机器学习提出了基于非空间信息的解码算法，如线性判别分析及其改进算法、分层判别成分分析及其改进算法、支持向量机等。后来，研究发现不同脑区均会被诱发幅值有所差异的P300正向偏置，这种分布也可作为一种新的分类，据此提出了基于空间信息的解码算法，如时空判别分析、典型判别模式匹配及其改进算法、空间滤波器xDAWN和滤波器组时空成分分析、区间ERP判别分析等，这种将空间信息融入解码的算法可得到更为良好的效果。此外，研究者基于深度学习开发了不同类型的解码算法，其中最经典的就是CNN解码框架，除此之外在 EEGnet 的基础上还衍生了EEGNet、ShallowConvNet和P3Net解码框架。本文基于空间信息、非空间信息以及新型深度学习的脑电解码算法三方面系统梳理P300-BCI解码算法研究进展，借助公开数据集及算法本身特点比较了各算法之间的优缺点，最后分析了当前需要解决的问题以及未来研究方向。1368第 8 期刘邈 等：基于P300特征的脑-机接口解码算法研究综述2P300-BCI解码算法研究进展在P300-BCI中，依据P300主要响应在顶枕区，提出了基于非空间信息的解码算法；依据P300在不同脑区域的脑电特征，提出了基于空间信息的解码算法；依据近几年信息技术的快速发展，提出了基于深度学习提出了新型脑电算法。本章将从以上三类算法出发，对P300脑-机接口的常用解码算法进行介绍。为方便读者对不同算法进行理解以及进行算法间对比，表1总结了文中所用主要符号及其说明。2.1基于非空间信息的脑电解码算法在脑-机接口发展的早期，P300-BCI多采用基于非空间信息解码。常见方法有：通过将高维数据投影到低维的线性判别分析及其改进算法；通过引入时域特征对信号进行降维的结构化判别分析；通过寻找最优超平面对数据样本进行分类的支持向量机；通过形成自适应空间滤波器对P300信号中最感兴趣部分进行分析的线性最小约束方差等。本节将基于非空间信息对上述算法从基本原理和适用范围两方面进行介绍。2.1.1线性判别分析线性判别分析（Linear Discriminant Analysis，LDA）是在基于P300的脑-机接口领域中有着十分广泛应用的经典线性学习方法9-10。LDA的基本思想是对无法准确区分的两类或多类样本，找到一个最佳投影方向，在线性变换这类样本之后，使同一类的数据尽可能的紧凑，不同类的数据尽可能的分散11。经过变换，原始数据的维度特征得到降低从而改善信号分类效果12。Fouad等人利用LDA此特性对听觉P300信号分类，实验准确率达到了90%，为设计和实现基于P300的高鲁棒性在线BCI系统提供了经典的案例13。基本原理是：假设输入向量X RNfNtNcNp，i 1N，其中Nf为刺激类别总数，Nt为刺激试次总数，Np为刺激采样点总数，Nc为采集导联总数。令Xk为第k=0，1类样本的集合、k为协方差向量，k为均值向量，即X0表示所有分类错误的样本集合，X1表示所有分类正确样本的集合，假设将两类样本投影到同一条直线上，T0和T1分别为两类样本的投影中心点，T0和T1为两类样本在直线的投影点协方差。上述所有投影操作均在二维平面内，投影中心点和协方差值均为实数。类内变量之间的差异程度可用类内方差表示，类间变量之间的差异程度可用类间方差表示，所求的判别向量必须满足以下几点：类内方差的值越小效果越显著，而类间映射的平均值越大效果越显著，即利用下式求J(W)的最大值：J(W)=T0-T122T0+T1（1）类内散度矩阵S以及类间散度矩阵Sb为：S=0+1（2）Sb=(0-1)(0-1)T（3）则：J(W)=TSbTS（4）则LDA目标函数：W=argmaxtr()TSbtr()TS（5）LDA对于小样本训练的P300成分具有良好的分类效果。然而，LDA算法存在一些缺点：当诱发信号数据维度过高并且样本过于少时，会导致分类效果较差。为此在下文提出了LDA的改进算法。2.1.2逐次线性判别分析逐次线性判别分析（Stepwise Linear Discriminant Analysis，SWLDA）可通过执行前、后向逐步线性回归分析法，使保留显著判别特征的同时也达到特征降维的目的，从而找到最理想的判别投影方表1主要符号及其说明Tab.1Main symbols and descriptions符号NfNtNpNcNs nX RNf Nt Nc Np等RIW,U,V等说明刺激类别总数刺激试次总数刺激采样点总数采集导联总数训练集样本个数脑电噪声高维数据向量控制特征值收缩程度的收缩参数单位矩阵投影向量空间滤波器1369信号处理第 39 卷向。目前SWLDA已被广泛应用于小样本的变量筛选的 P300-BCI 解码中，并取得了理想的分类效果14-15。Shukla 等人进行了基于 P300 拼写器命令控制的家电系统实验，并利用SWLDA算法进行分类，健康被试和瘫痪被试的同步模式平均分类准确率分别为92.44%和89.33%，实现了基于P300-BCI的家电控制这一实用场景16。SWLDA 的基本原理为：在每次逐步引入一个“最显著”的特征变量之前，检测之前引入的特征变量，从判别模型中去除使先引入的特征向量变化不显著的新引入特征向量，并重复此步骤，直至挑选出具有显著判别能力的特征向量即可结束逐步统计分析。需要注意的是，有三个参数需在 SWLDA算法之前设定：最大保留特征个数、两个统计测试的 p值用于控制添加和去除特征。P300信号的分类问题通常采用的参数为：最大特征个数60、添加特征p0.1517。SWLDA相比传统LDA在小训练集样本分类精度损失更小，并且可通过降低特征维数来缓解小样本训练集对分类器学习的影响。2.1.3收缩线性判别分析收缩线性判别分析（Shrinkage Linear Discriminant Analysis，SKLDA）是结合收缩技术的LDA算法的扩展，是基于某些协方差矩阵不能求逆所提出的，这种方法通过缩放过大或者过小的特征值的平均特征值以改善协方差矩阵的估计18-19。基于此特点，Ogino等人利用SKLDA对听觉P300特征实现了优于其他分类算法的分类效果20。此外，Xu等人还将SKLDA算法应用到基于P300和稳态视觉诱发电位的108指令集的BCI系统中，结果表明，SKLDA对于单一P300特征有更高的准确率21。SKLDA算法的基本原理是设x1，xn Rd是n维特征向量，其均值和方差的无偏估计可表示为：=1ni=1nxi（6）=1n-1i=1n(xi-)(xi-)T（7）为了抵消估计的误差，协方差矩阵可表示为：=(1-)+eI，0，1（8）e=()tr()D（9）其中tr(*)是矩阵的迹，e是特征值的均值，I是单位矩阵，D是特征维度，是半正定矩阵，为收缩参数，可控制特征值收缩程度。在P300-BCI信号训练样本数量比特征数量少的情况下，SKLDA通过修正协方差矩阵来缓解小样本训练集对分类器学习的影响，可进一步改善LDA和SWLDA无法解决的小样本问题。2.1.4贝叶斯线性判别分析贝叶斯线性判别分析（Bayesian Linear Discriminant Analysis，BLDA）也是对 LDA 算法的扩展补充22-24。BLDA 是在贝叶斯框架下完成回归运算，小样本数据过拟合的问题通过使用正则化来防止，不需通过耗时的交叉验证就能从训练数据中估计出正则化程度25。Huang等人对13名植入SEEG电极的癫痫患者进行了基于P300拼写器的实验，利用BLDA算法使平均在线拼写正确率为93.85%26。BLDA的基本原理是将线性分类中的投影方向利用贝叶斯概率思想进行假设，的贝叶斯后验概率模型由训练样本计算，最佳投影方向为后验概率模型的均值向量，合适的调整参数由训练样本集中利用线性回归分析估计出，防止由于数据维度过高或噪声而引起过拟合。详细过程可参见文献。BLDA 通过估计正则化程度取得了相比传统LDA和SVM更优的分类效果27-28，在解决P300-BCI的小样本问题取得了很好的成效19，29。2.1.5分层判别成分分析分层判别成分分析（Hierarchical Discriminant Component Analysis，HDCA）是一种时-空滤波算法30。HDCA的基本思想是在空间滤波器里通过增加时间窗引入时域特征，在结构上对脑电数据分进行时-空加权，解决了P300成分的响应时间和峰值会发生变化的问题31-32。Pawan 等人进行了基于P300成分的分类目标和干扰刺激的实验，实验结果表明 HDCA混合分类器不仅能够对受试者在沉浸式和自然环境中观察到的刺激类型进行分类，甚至当受试者在自由条件下移动头部时，也能表现得同样出色，取得良好的分类效果33。该算法基本原理如图1所示，对于单试次脑电信号要均分成一定数量的时间窗，LDA算法的一组特征为窗口里每个通道数据的平均值，然后LDA算法将n个通道的数据降至1维，时间窗里的每个通道的空间加权即为该转换向量。特征矩阵为每个1370第 8 期刘邈 等：基于P300特征的脑-机接口解码算法研究综述时间窗的特征值构成，最后使用逻辑回归分类器计算时间权值，vk为第k个事件窗口的权重，经过时间加权vk后得到结果：yIS=kvkyk（10）后来研究发现，HDCA算法对P300信号时域特征潜伏期抖动较大时计算效果并不理想。为此，Marathe 等提出基于滑动窗口策略的 HDCA 算法（sliding HDCA，sHDCA）34-35，如图 2 所示。sHDCA算法是在HDCA的基础上，利用了滑动时间窗去重复HDCA的步骤，在结构化判别信号之前，窗口每滑动一次获得一个P300波段信号的兴趣得分，最后将所有滑动时间窗的兴趣得分进行逻辑回归加权图2sHDCA算法示意图Fig.2Schematic diagram of sHDCA algorithm图1HDCA算法示意图Fig.1Schematic diagram of the HDCA algorithm1371信号处理第 39 卷计算得到总兴趣分。sHDCA对于P300信号响应时间的振荡的问题得到了很好的解决，提升了P300-BCI的检测精度。2.1.6支持向量机支持向量机（Support Vector Machine，SVM）是一种机器学习方法，这种方法是基于统计学习基础提出的36。SVM在空间维度上使用线性函数对非线性数据样本进行切割，在获得最优分类效果的同时具有极低的错误率。SVM核心思想是在线性分类条件下找到最适合分类面29。基本原理是使原本无法利用线性分类的样本数据利用非线性转换至高维空间以后，也能进行线性分类。SVM对高维度脑电数据分类快速且准确，并且对于P300脑电特征的小样本及非线性的分类问题有极大优势。Wang等运用P300-BCI典型6*6矩阵操控机器人，提出了一种基于支持向量机集成的P300识别算法，并且在实际中得到应用和验证37。图3中用圆圈和叉分别来表示两类样本，最优超平面将两类样本分开，r为距离最优超平面最近的点的距离。偏移量b和权值向量w由样本支持向量决定，则：f(x)=xw+b（11）以上公式可将样本二分类，最优超平面即二分类的间隔最大平面。应用于P300-BCI分类时，原理同上，相关算法细节可参考文献。研究人员在SVM算法的基础上进行改进，继续开 发 了 基 于 导 联 加 权 sw-SVM 应 用 于 P300 分类29，35、基于模糊理论和基于直推式的SVM应用于P300分类37-38，取得了很好的效果。LDA和SVM当下仍是BCI解码中最流行的分类器。因为SVM可以通过多个二类支持向量机的组合来解决脑电信号的分类问题，所以其表现往往优于其他分类器。2.2基于空间信息的脑电解码算法随着P300-BCI解码算法的不断发展，有研究者意识到大脑不同区域均会被诱发不同幅值的P300信号，这种不同脑区的电势差异分布也可以作为一种新的分类特征。其常见算法有：时空判别分析算法、抑制脑电共模噪声的典型判别模式匹配及其改进算法、用于P300信号特征强化的xDAWN空间滤波器、通过分解不同脑电时空分量的滤波器组时空成分分析和利用ERP区间模型来克服实验差异性的区间ERP判别分析等。本节将基于空间信息对上述算法及改进算法从基本原理和适用范围两方面进行介绍。2.2.1时空判别分析时 空 判 别 分 析（Spatial-temporal Discriminant Analysis，STDA）是由Zhang等人提出的一种时空判别分析算法39。其基本思想是通过学习协同优化矩阵的二维特征空间-时间，以最大化投影后的目标类和非目标类之间的可判别性。STDA在P300-BCI中的主要利用所学习的两个投影矩阵将构造的二维样本转化为一维样本，可解决分析中协方差矩阵估计效果差的问题。STDA算法的基本原理是令P为空间滤波器个数，Q为 时 间 滤 波 器 个 数，两 类 EEG 信 号Xk RNc Nt，k=1，2，需要求解空域滤波投影矩阵W1 RNc P，时域投影矩阵W2 RNc Q。首先求得时间投影矩阵W2，然后求得空间滤波投影矩阵W1，最后对两类信号进行时域滤波后得到：两类样本的均值-Yk和总均值Y分别是：-Yk=1Ni=1NYki，k=1，2（12）Y=12k=12-Yk（13）类内散度矩阵Sw和类间散度矩阵Sb分别是：Sw=k=12i=1N()Yki-Yk(Yki-Yk)T（14）Sb=k=12N(-Yk-Y)(-Yk-Y)T（15）求解空间投影矩阵W1：W1=arg maxW1tr()WT1SbW1tr()WT1SwW1（16）图3二分类最优超平面图Fig.3Optimal hyperplane of binary classification1372第 8 期刘邈 等：基于P300特征的脑-机接口解码算法研究综述再运用求解W1的步骤不断迭代求解时间投影矩阵W2，直到满足优化函数的收敛条件为最大化Fisher系数比值。对于小样本训练集的 P300分类问题，SWLDA和SKLDA已经在一定程度上提高了分类效果，但并没有改变像LDA一样仍需要高维特征向量化进行训练器分类。而STDA代替使用由多导联、多采样点串联形成的特征向量，以列和行的形式将空间特征和时间特征排列构造空间-时间二维矩阵特征，保留了P300信号原有的二维结构特性，然后利用投影矩阵将构造的二维样本转化为一维样本，从而使判别分析中协方差矩阵的估计效果得到有效提高。2.2.2判别典型模式匹配判别典型模式匹配（Discriminative Canonical Pattern Matching，DCPM）是Xu等人研究的一种特征分类方法，这种方法结合模板匹配判别模式及空间滤波，并首次将这种方法运用于基于1 V以下极微弱ERP的新型BCI系统设计中40。DCPM算法详细过程如图4所示：（1）分别在判别空间模式和典型相关分析的基础上构建空间滤波器；（2）计算空间距离；（3）典型相关分析；（4）线性相关等系数进行模式匹配。基本原理是给定一个参数k=1，2，表示模式的数量，Xk RNc Nt Ns是不同的训练集，Y RNc Nt是测试样本，其中Nc是通道数，Nt是时间点数，Ns是试验次数。它们在时间上都是均值图4DCPM分类算法的流程图Fig.4Flowchart of DCPM classification algorithm1373信号处理第 39 卷为零的。X RNc Nt是从训练试验的平均值派生出来的模式k的模板。协方差矩阵可以表示为：=11122122=X1XT1X1XT2X2XT1X2XT2（17）X1和X2的方差可以表示为：21=1Ni=1Ns(X1，i-X1)(X1，i-X1)T（18）22=1Ni=1Ns(X2，i-X2)(X2，i-X2)T（19）然后，通过 DSP 构建一个投影矩阵W，i是W的第i列的特征值，W可以被视为一组空间滤波器，使两个模式转换后更具辨别力。Sw-1SB*W=1Nc*W（20）SB=11+22-12-21（21）Sw=21+22（22）在通过W去除共模噪声后，使用CCA算法，通过找到两个投影矩阵Uk、Vk，来揭示WTXk和WTY之间的潜在相关性，该等式可以表示为：CCA(WTXk，WTY)=maxUk，VkEUTkWTXkYTWVk EUTkWTXkXTkWUk EVTkWTYYTWVk（23）其中E 是期望值。在模式匹配中，训练模板和测试信号之间的相似性被表示为一个向量。k=k1k2k3=corr()WTXk，WTY-dist()WTXk，WTYcorr()VTkWTXk，VTkWTY，k=1，2（24）其中corr（）指的是皮尔逊相关度，dist（）指的是欧氏距离。Y和Xk之间越相似，k，1、k，2和k，3就越大。最后的特征值可以是所有系数的总和，k为所有特征的和。最后预测的模式为：k=argmaxkk（25）DCPM可以抑制背景脑电信号的共模噪声，识别P300信号的典型模式，是一种鲁棒性极强的分类算法。经过实践证明，对于不同的小样本数据集，DCPM 比传统 LDA、STDA、xDAWN 以及 EEGnet 分类效果更好。2.2.3多窗判别典型模式匹配多窗判别典型模式匹配（Multi-window Discriminative Canonical Pattern Matching，MWDCPM）是 Xu等人在DCPM算法的基础上，基于P300信号存在多窗口的问题，提出的一种简单、有效的多分类算法41。MWDCPM包含一系列随时间变化的DSP滤波器来微调空间 ERP特征的提取，Xu等人为了验证其有效性，进行了典型的 P300-BCI 范式拼写实验，结果表明，MWDCPM在5个训练字符的情况下，实现了91.84%的字符识别准确率，显著优于传统DCPM算法41，该算法在2019年世界机器人大会基于P300-BCI范式控制机器人竞赛中获得了第一名。MWDCPM主要由五部分组成：1）划分不同训练样本的时间窗；2）计算不同时间窗的欧氏距离和空间滤波器；3）将具有特异性的时间窗进行筛选；4）计算测试样本在特异性时间窗下的欧氏距离和空间滤波器；5）将多个时间窗下的决策值进行分类。基本原理与DCPM相比是增加了划分时间窗的步骤，进而计算不同时间窗下对训练集所有样本两类模板的协方差和方差，并且可根据要求对时间窗进行筛选，具体计算方法可参考文献。相比 DCPM，MWDCPM 考虑了 P300 信号在不同时间窗下的不同空间模式，构造了一系列时间依赖的判别空间模式（DSP）滤波器，用于微调提取的P300空间特征进行微调。在小样本数据集的情况下，与传统算法如LDA、HDCA及新型算法EEGNet相比，MWDCPM具有较好的分类效果。2.2.4空间滤波器xDAWN 是一种进行特征增强及其滤波的方法，核心思想是将目标刺激所诱发的特征响应进行滤波增强42。xDAWN空间滤波器一般用于增强原始信号中的P300分量，并降低其维数。计算过程是先估计每一个导联的特征响应，然后空间滤波器进行每一个响应的估计即可，经过这些步骤，P300响应特征的结果最后得到增强。Schembi等人利用 xDAWN 算法对基于外界干扰的P300-BCI典型范式进行分类。干扰分别为环境噪声、被动谈话和主动倾听，8名健康受试者结果表明，无干扰准确率最高，为100%，其次是环境噪声（92.5%），被动谈话（90%）和主动倾听（87.5%）。1374第 8 期刘邈 等：基于P300特征的脑-机接口解码算法研究综述通过该算法的一系列研究使P300典型拼写器和低成本设备结合更好的在现实应用43。基本原理是：假设A为原始脑电信号，n为噪声，T为Toeplitz矩阵，则脑电信号X为：X=TA+n（26）最优滤波器W可以通过广义瑞利熵最大化信噪比求得：W=argmaxWTr()WTATTTTAWTr()WTXTXW（27）使该公式取得最大值所得到的W即为我们所要寻找的滤波器。在传统的xDAWN滤波器算法中，xDAWN主要用于增强 P300-BCI信号的信噪比，降低 P300分量的特征维数。2.2.5滤波器组时空成分分析滤波器组时空成分分析方法44（Filter Bank Spatio-temporal Component Analysis，FBSCA）提取 频段响应的时空特征，以提高快速连续视觉呈现任务的（Rapid Serial Visual Presentation，RSVP）分类性能。其考虑时间潜伏期和响应频率的个体差异，FBSCA方法将带EEG数据分解为不同时频空间域的子分量，以寻求最佳权重系数，优化电极、公共空间格局分量、时间窗口和频段的组合。该算法基于LDA进行分类，核心部分在于特征提取步骤所采用的滤波器组能够有效提取更具鲁棒性的时空特征。算法在公共数据集（http：/bncihorizon-2020.eu/database/data-sets）上进行验证，结果表明FBSCA方法的实验结果优于DCPM。FBSCA中最重要的步骤为空间特征的提取，使用公共空间模式（Common Spatial Pattern，CSP）进行空间滤波，CSP是常用于运动想象脑-机接口方面的空间滤波器。在FBSCA中CSP主要目的是区分目标任务和非目标任务，主要的步骤为提取子频段的最佳空间滤波器Wb，t，即找到一个最优的Wb，t，使得两个类别之间的方差差异最大化。C(1)b，t Wb，t=(C(1)b，t+C(2)b，t)Wb，t Db，t（28）其中，C(1)b，t和C(2)b，t分别表示子组件Xb，t与对应RSVP任务之间的协方差矩阵，Db，t是包含C(1)b，t的特征值的对角矩阵。Wb，t是在NCNC上获得的，每一行都代表了一个空间滤波的投影向量，其中NC表示投影向量的数量，NW表示子组件中的时间窗口数量。zb，t=Wb，t Xb，t（29）zb，t的每一行代表一个CSP分量。第i个CSP分量的平方均值计算如下：qb，t(i)=j=1NWz2b，t(i，j)/NW（30）其中，i=1，2，NC是CSP分量的索引，j=1，2，Ns是样本的索引，z2b，t(i，j)表示zb，t在第i行第j列处的平方值。然后，使用LDA算法对向量qb，t=qb，t（1），qb，t（2），qb，t（NC）进行降维处理。LDA是一种常用的降维算法，在低维空间中有良好的数据表示能力。它主要是训练一个超平面，通过线性变换将每个时间序列zb，t转换为一个特征sb，t，具体如下：sb，t=qb，t vb，t（31）通过以下方式获得投影矩阵：maxvJ(v)=vTSBvvTSWv（32）其中，SB表示类间散布矩阵，SW表示类内散布矩阵。从所有时间窗口获得的子窗口特征sb，t（t=1，2，NT）表示b频带的特征向量。sb=sb，1，sb，2，sb，NT（33）然后，重新使用LDA算法来训练一个权重向量vb，用于对向量sb进行降维。根据以下方程式计算b频带的组合特征rb：rb=sb vb（34）将从所有频带获得的特征组合在一起，形成最终用于分类的特征向量r。r=r1，r2，rNB（35）最后通过LDA算法对FBSCA提取的空间特征进行分类。2.2.6区间ERP判别分析区间 ERP 判别分析（Discriminant analysis and classification for interval ERPs，DACIE）的提出是为了克服快速连续视觉呈现任务中存在的两个问题：（1）在RSVP任务中不同被试之间可能存在着较大差异，因为在所有的EEG试验中都存在ERPs的试验变异性，这是由于RSVP任务模式