多维脑信号分析方法及其在脑-机接口中的应用研究

This project aims to develop a real-time brain-computer interface (BCI) system with high robustness and practicability, through in-depth research on multiway electroencephalogram (EEG) analysis methods to improve classification results of EEG patterns, according to the requirements of theory and application research for BCI in the human-machine interactive system. Essences of multiway feature analysis and dimensionality reduction are explored. Different one-way optimization algorithms are integrated into a novel multiway analysis method for the specific EEG patterns to improve results of EEG feature analysis. Multiway dimensionality reduction and generic classification model are exploited to reduce calibration time and enhance practicability of the BCI system. Probabilistic generative models and kernel methods for multiway EEG analysis will be developed based on the Bayesian inference and Gaussian process to enhance the capability of application to BCI, and hence improve the overall system performance. To improve the robustness of multiway EEG analysis methods, multiway regularization will be explored according to the multiway neurophysiological characteristics of EEG. Effective algorithms will be developed based on ensemble learning and Bayesian evidence framework for multiway hyperparameter optimization, especially in small sample size scenarios.

本项目针对基于脑电信号（Electroencephalogram, EEG）的脑-机接口（Brain-Computer Interface, BCI）在人-机交互系统中的理论和应用研究需要，以深入研究多维脑信号分析方法提高脑电模式分类效果为切入点，开发具有高鲁棒性和实用性的实时BCI控制系统。根据特定脑电模式，挖掘多维特征分析和降维的本质，对一维优化算法进行有针对性的多维融合，改善脑电模式特征分析效果，并通过多维特征降维和公用分类模型构建，减少BCI系统校验时间，提高实用性；利用贝叶斯推论和高斯过程的理论知识，研究多维脑信号分析的概率生成模型及核方法，增强其对BCI的应用能力，提高系统整体性能；根据EEG的多维神经生理学特性，设计合适的多维正则化处理方法，并基于集成学习和贝叶斯证据框架的理论知识，提出适用于小样本的有效多维超参数优化方法，增强多维脑信号分析算法的鲁棒性。

脑-机接口系统作为一种涉及神经科学、信息科学和生物医学工程等多学科的交叉技术，现已成为全球科学家在人机交互领域的研究热点之一。通过解码特定精神任务下脑电信号中的脑电模式，脑-机接口系统能够识别用户的指令意图，从而实现对外部设备的控制与操作。如何从微弱和噪声敏感的脑电信号中准确提取出可靠的模式特征一直是脑-机接口系统研究中的重大难点之一。本项目围绕该难点，根据计划书所提出的研究内容、目标和拟解决的关键问题开展了一系列深入的研究工作。重点研究了脑电模式的多维信息分析算法，充分利用脑电信号中所包含的空间、时间、频率和试验等多维信息结构，设计了符合特定脑电模式的多维特征优化算法，挖掘具有高判别性和低噪声敏感性的可靠特征成分，有效增强了分类模型的泛化性能，显著提升了BCI系统的目标检测精度；设计了基于多惩罚因子的稀疏判别分析方法，通过引入集成学习策略，实现了有效的集成稀疏分类模型参数优化和脑电特征学习。结合LASSO算法和张量典型相关分析，设计了一种新颖的稀疏多维脑电特征学习模型，同时实现了脑电信号张量数据的有效试验选择和鲁棒空间滤波。并针对脑电信号小样本问题，提出了一种基于稀疏约束的多变量线性回归模型，通过稀疏词典和标签编码设计，实现了对冗余脑电特征的有效降维，进一步增强了特征可判别性，使分类模型的鲁棒性得到有效改善。引入概率推论，设计了一种有效的稀疏贝叶斯判别分析算法，结合张量分解进一步完成向多维贝叶斯学习模型的扩展，实现了对多维模型参数的准确自动估计。所提出算法不仅能够学习获得高判别性的脑电特征，同时避免了采用交叉验证方法对BCI系统校验所带来的负担，显著提升了系统的实用性。基于优化的多维脑电模式分析方法，进行了实际脑-机接口系统的设计与测试，验证了相关研究成果的可靠性，达到了预期研究目标。