第3期 王斐，等：脑机接口研究进展 ·195· 与分类提供新的依据[61] 自适应调整，这些自发产生的改变主要是指用户一些 4.3特征降维 周期性的生理变化和用户状态的变化，而特征向量的 对一些BCI系统，经过特征提取后所得到的特 改变主要是由于系统的一些噪声所带来的，包括中枢 征向量维数可能仍然会很高，然而根据模式识别理 神经系统和非中枢神经系统的噪声等 论，当训练样本数一定时，分类器的泛化能力与训练 目前模式识别领域几乎所有的算法都在BCI 所用的特征数成反比，而脑信号数据训练样本集一 系统中有所应用，研究中使用最多的还是线性分类 般都是极其有限的，所以在设计BCI系统的变换算 器.有关研究也指出当对EEG数据的认识还有限 法时，降维是需要重点考虑的一个方面.一般情况下 时，应该本着最简单的就是最好的原则而尽量使用 进行特征降维处理后的BCI系统的识别率会有所 线性分类器，但对于复杂的大型EEG数据，非线性 提高].目前，在BCI系统中，主成分分析 分类器相对线性分类器一般会给出更好的分类结 (PCA)[6,9]和遗传算法(GA)[6@被广泛应用于特 果.线性分类器中较为典型的线性判别式分析 征降维。 (LDA)在BCI中应用广泛[6]，但LDA对于一些复 PCA的基本思想是在特征空间寻找一些方向， 杂的非线性脑信号数据还是不能给出令人满意的结 使得在新的方向上表示数据的误差平方和最小，同 果.非线性分类器中，支持向量机由于其很好的泛化 时又能有效地降低维数.通过分析样本数据的协方 能力和核函数技术，在BCI领域应用中也取得了许 差矩阵的特征值大小，最终取贡献较大的几个特征 多成功0.此外，还有神经网络分类器，其中又以 值所对应的特征向量作为主成分来映射原始数据， 多层感知器分类器应用最为广泛12].除了上述一 达到降维目的，重新获取的特征在彼此互不相关的 些典型的分类器以外，应用于BCI还有贝叶斯分类 前提下尽可能多地反映原始所有特征所包含的信 器、隐马尔可夫模型分类器、多种分类器联合 息.GA不同于PCA,GA是在整个问题空间进行试 等26，B-4].另外值得关注的是近几年研究比较活跃 探性的搜寻，最终得到问题的最优解，具体实现是首 的过程神经网络，虽然目前在BCI领域还没有应 先用串对特征进行编码，串的长度为特征向量的维 用，但是它较传统的神经网络增加了时间上的累积 数，0代表不包含该位置的特征，1代表包含该位置 效应，更好地模拟了人类实际神经网络的功能，并且 上的特征，然后是定义一个合适的适应度函数，通常 输入输出均可以为多变量函数空间；所以，如果利用 可以取分类的准确率或是表示分类器泛化能力的相 过程神经网络作为BCI系统的变换算法时，可以不 关表达式，最后通过遗传操作算子产生最优的后代 考虑特征提取，且并不会带来维数灾难等高计算复 从而解决问题 杂度问题. 在BCI领域中，除了上述2种典型的特征降维 大部分的BCI系统在进行变换算法模块处理 方法外，还有搜索法[64]、线性判别式分析[61、减除 后，还有个后处理模块尽可能地减小系统的识别错 法「6)、循环特征排除法「5]等.有关这些方法的详细 误率.后处理模块一般根据BCI系统具体要求来设 论述可参考文后相应的参考文献， 计，如若BCI系统是用来识别受试者想要说的单 词，当BCI系统识别出单词中的首字母后，可以根 5变换算法 据单词库来考虑单词中下一个字母出现的概率，结 简单地说，BCI系统核心其实就是一个模式识别 合这个概率和BCI的识别结果来决定BCI系统的 系统，因为BCI系统也是由特征提取和变换算法这两 最终输出.另外当BCI给出了错误的识别结果后， 大核心模块组成的.变换算法的主要任务就是将提取 受试者一般都会产生一种脑电位，通常称为“错误 到的特征向量映射为用户大脑目前正在活动的模式； 电位”，可以通过监测“错误电位”的出现来判断 或将特征向量映射为具体的物理量，直接决定当前的 BCI系统识别结果的正确性。 活动模式；或将特征向量分为指定的若干类，间接地 6结束语 来指出当前活动的模式.这一环节将直接决定着BCI 系统性能的好坏，所以BCI系统对变换算法这一块的 经过30年的发展，BCI系统在理论和技术上已 要求是非常严格的.变换算法不仅仅在离线情况下要 经日趋成熟，尤其最近10年来，随着神经学、认知 进行大量的学习，而且在在线情况下，对于系统自发 科学和计算机科学的飞速发展，BCI理论技术取得 产生的改变以及特征向量的改变也需要进行不断的 了长足的进步，应用领域也逐步扩大，在各领域中展