运动想象脑电信号的分类正确率直接影响到 BCI 系统的应用价值.为了提高分类正确率,通过对脑电信号的特征提取和分类识别方法的研究,根据运动想象过程中的 ERD/ERS现象,提出利用独立分量分析法对采集到的多导联运动想象脑电信号进行盲源分离,获取与想象任务相关的ICA滤波器,将其作用到预处理后的观测信号上,得到与想象任务相关的脑电成分,再以支持向量机为分类器来实现对三类运动想象任务的脑电信号进行分类识别的方法,并对三位受试者的脑电数据进行了分类实验,实验结果验证了该方法的有效性.

为实现运动想象脑电信号的精准分类，提出以Levenberg－Marquardt算法（LM）替代BP神经网络构造分类器来提高分类识别率。实验以2008年BCI竞赛信号采集模式为标准，使用Emotive Epoc＋采集四类运动想象脑电信号，对采集的信号进行滤波去燥后，利用主成分分析提取特征值；然后分别用LM算法和BP神经网路进行分类识别做对比；最后基于MATLAB GUI设计串口通信界面与Arduino智能车链接验证算法的可行性。结果证明：该方法训练平均误差为5.630 6×10-7，分类准确率为86%，BP算法相对应为0.001 4、56%。相对比可知LM算法分类效果良好，验证过程中，智能车运行与算法识别方向一致，运行良好。此方法切实可行，为后期进一步开发脑机接口奠定了基础。

1、采用BCI Competition IV Dataset1公开数据集，数据说明：https://www.bbci.de/competition/iv/desc_1.html； 2、涉及脑电信号预处理、CSP特征提取、特征选择和SVM分类。

针对隐马尔科夫模型在运动想象脑电信号分类应用中,其独立性假设与脑电信号间相关性的不一致问题,提出一种基于Choquet模糊积分隐马尔科夫模型的脑电信号分类方法。该模型应用模糊积分的单调性取代了概率测度的可加性,放宽了隐马尔科夫模型的独立性假设。利用重叠滑动窗对脑电信号分段,然后对每段数据提取绝对均值、波长和小波包相对能量特征,构成特征序列用于CI-HMM的训练和分类。选取2008年BCI竞赛Datasets 1的两类运动想象数据进行分类实验,结果表明,该方法有效提高了隐马尔科夫模型方法对运动想象脑电信号分类的性能。

针对注意缺陷多动障碍（attention deficit hyperactivity disorder，ADHD）儿童和正常儿童的分类问题，实验采用经典干扰控制任务范式对两类儿童的事件相关电位（event-related potential，ERP）进行了研究，旨在通过ERP特征实现其分类。实验首次使用长短期记忆（long-short term memory，LSTM）方法分析两类儿童前额叶与顶枕叶脑区最佳电极（p<0.05）潜伏期（200~450 ms）的脑电信号，并自动学习和分类其ERP特征。相比常规分类方法，LSTM方法的分类率略高，可达95.78%。研究结果表明LSTM方法有助于ADHD儿童脑电信号的分类，为ADHD儿童个体诊断技术提供了一种新思路。

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器。实验以“BCICompetition2005”中的DatasetⅢa为例,先对采集的4类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类。结果表明该方法分类正确率较高,可以达到91.12%,并且有效的减少了分类器的个数,最终达到较好的识别效果。

针对基于两种不同意识任务( 想象左手运动和想象右手运动) 的脑机接口, 使用共空间模式算法对 BCI 2003 竞赛数据进行特征提取; 基于滑动时间窗, 利用 CSP 方法对C3, Cz 和 C4 位置的脑电信号进行处理利用支持向量机对特征进行分类, 获得最大分类正确率 82 86% , 最佳时间点 4 09 s, 最大互信息 0 47 bit, 最大互信息陡度 0 431 bit/s与 BCI 2003 竞赛结果相比, 最大互信息陡度有了显著提高, 证明该方法更适合 BCI 实时系统的要求

脑机接口是一种通过特定手段对脑电信号进行提取，利用信号处理算法解码，分析大脑信号，识别人脑的技术。为了提高二分类运动想象脑电信号的识别准确率，该文提出了一种基于LSTM神经网络的脑电信号分类方法，以2003年BCI国际竞赛的公开数据对所提出的方法进行验证。实验结果证明，LSTM神经网络训练出的模型具有良好的效果，分类的平均准确率接近90%。

疲劳驾驶是导致交通伤亡事故的重要原因之一，因此采取相应的预防措施是很有必要的。针对两种不同程度的警觉度（清醒和睡眠），采用公共空间模式CSP(Common Spatial Pattern)算法对所采集到的脑电数据进行特征提取，用基于径向基函数(RBF)的支持向量机(SVM)对提取的特征进行分类，通过网格搜索法获得最优参数。与频带能量作为特征的已有方法相比，该算法测试准确率较高，能够达到较好的识别效果。

介绍 这是陆军研究实验室（ARL）EEGModels项目：用Keras和Tensorflow编写的用于EEG信号处理和分类的卷积神经网络（CNN）模型的集合。 该项目的目的是 提供一组经过验证的CNN模型用于脑电信号处理和分类 促进可重复的研究，并 使其他研究人员可以在其数据上尽可能轻松地使用和比较这些模型 要求 Python == 3.7或3.8 tensorflow == 2.X（已验证适用于2.0-2.3，适用于CPU和GPU） 要运行EEG / MEG ERP分类示例脚本，您还需要 mne> = 0.17.1 派里曼> = 0.2.5 scikit学习> = 0.20.1 m