基于PF系數(shù)的多模態(tài)EEG-FNIRS通道選擇方法*

孟 明戴櫓洋馬玉良高云園

(杭州電子科技大學(xué)自動(dòng)化學(xué)院，浙江 杭州 310018)

腦機(jī)接口(Brain-computer interface，BCI)提供了人類中樞神經(jīng)系統(tǒng)與計(jì)算機(jī)之間的直接通信渠道。所以，在不使用肢體，聲音或任何需要肌肉活動(dòng)動(dòng)作的情況下，BCI可以分析與預(yù)期動(dòng)作相關(guān)的大腦感應(yīng)信號(hào)，從而生成控制外部設(shè)備的命令[1]。

BCI系統(tǒng)中，常見的信號(hào)采集成像方式有腦電圖(Electroencephalogram，EEG)[2]，皮層區(qū)腦電圖(Electrocardiogram，ECoG)[3]，功能性近紅外光譜(Functional near-infrared spectroscopy，fNIRS)[4]，功能磁共振成像(Functional magnetic resonance imaging，fMRI)[5]和腦磁圖(Magnetoencephalography，MEG)[6]等。其中EEG是一種生物電成像方法，利用頭皮電極來測(cè)量由大腦皮層神經(jīng)元的電活動(dòng)引起的電壓波動(dòng)。EEG具有較高的時(shí)間分辨率，頻域特點(diǎn)突出，便捷安全等特點(diǎn)[7]。由于電極測(cè)量大腦表面的電活動(dòng)，難以確定EEG信號(hào)是在表面附近還是在更深的區(qū)域產(chǎn)生的。因此導(dǎo)致EEG空間分辨率相對(duì)較低并且容易受到來自肌電和眼電的干擾，導(dǎo)致EEG獲得的分類精度明顯下降。fNIRS是一種光學(xué)成像方法，可評(píng)估大腦中的血液動(dòng)力學(xué)活動(dòng)。fNIRS可測(cè)量脫氧血紅蛋白(Deoxyhemoglobin，HbR)和氧合血紅蛋白(Oxyhemoglobin，HbO)的濃度變化[8]。fNIRS具有相對(duì)高的空間分辨率、便攜、便宜、抗運(yùn)動(dòng)干擾等特點(diǎn)。但是由于血氧濃度反應(yīng)遲緩，因此導(dǎo)致fNIRS的時(shí)間分辨率很低。

EEG與fNIRS都用于多種BCI系統(tǒng)中，以檢測(cè)例如運(yùn)動(dòng)想象，心理算術(shù)(Mental Arithmetic，MA)和n-back任務(wù)這些源自認(rèn)知和心理任務(wù)的大腦活動(dòng)變化[9]。由于每種神經(jīng)影像學(xué)方法都有其特定的局限性。在過去的幾年中，研究人員一直在努力提高信息傳輸率并克服單模態(tài)系統(tǒng)的局限性，從而形成了多模態(tài)系統(tǒng)，稱為多模態(tài)BCI。

Fazli等人[10]結(jié)合EEG和fNIRS對(duì)想象左右手抓握進(jìn)行了實(shí)驗(yàn)，結(jié)果表明，相比于單模態(tài)，多模態(tài)BCI可以顯著提高90%以上受試者的運(yùn)動(dòng)想象分類準(zhǔn)確性。Pietro等人[11]對(duì)阿爾茲海默癥的四種癥狀進(jìn)行分類，結(jié)果表明與單模態(tài)實(shí)驗(yàn)相比，EEG-FNIRS通過整合其互補(bǔ)特性能夠?qū)崿F(xiàn)更高的準(zhǔn)確性。有研究認(rèn)為多模態(tài)BCI通過增加大腦生理信息量和維度會(huì)產(chǎn)生更好的魯棒性和分類準(zhǔn)確性[12]。許多其他研究[13－15]也已經(jīng)證實(shí)EEGFNIRS組合可以增強(qiáng)信號(hào)強(qiáng)度，提高分類精度并克服大多數(shù)單模態(tài)的局限性。多模態(tài)BCI系統(tǒng)可以增強(qiáng)分類精度，但是由于系統(tǒng)模態(tài)的增加會(huì)導(dǎo)致信號(hào)維度增加，為減少多模態(tài)BCI系統(tǒng)計(jì)算負(fù)擔(dān)，對(duì)信號(hào)進(jìn)行降維十分必要，如主成分分析(Principal component analysis，PCA)和公共空間模式(Common space pattern，CSP)。除此之外，保留并突出單個(gè)模態(tài)系統(tǒng)的有利特征對(duì)多模態(tài)BCI系統(tǒng)的分類性能也有很大提升。Jing Jin等人提出了一種基于Pearson相關(guān)系數(shù)的通道選擇方法，并在左右手分類實(shí)驗(yàn)中取得了較好的分類結(jié)果[16]；Alborz等人為了確定每個(gè)fNIRS通道在信息區(qū)分中的作用，計(jì)算每個(gè)特征的Fisher值，描述fNIRS通道區(qū)分信息的能力[17]。但是基于Pearson相關(guān)系數(shù)的通道選擇方法僅考慮了數(shù)據(jù)之間的相關(guān)性，而基于Fisher值的通道選擇方法僅考慮了不同任務(wù)特征的可分性。這兩種通道選擇方法并未同時(shí)考慮信號(hào)相關(guān)性和特征可分性。

針對(duì)于上述問題，本文提出了一種基于PF(Pearson-Fisher)系數(shù)的通道選擇方法。將表征信號(hào)間相關(guān)性的Pearson系數(shù)與表征特征間可分性的Fisher值相結(jié)合，構(gòu)建一種兼顧信號(hào)相關(guān)性和特征可分性的PF系數(shù)。此外，為了驗(yàn)證PF系數(shù)的優(yōu)勢(shì)，本文分別使用基于Fisher、基于Pearson和基于PF系數(shù)這三種通道選擇方法對(duì)MA數(shù)據(jù)集進(jìn)行分類對(duì)比實(shí)驗(yàn)。

1 方法

本文首先選取合理的時(shí)間窗數(shù)據(jù)進(jìn)行通道選擇；然后對(duì)已經(jīng)通道選擇的時(shí)間窗數(shù)據(jù)進(jìn)行特征提取，其中EEG提取CSP特征，fNIRS提取平均值和峰值這兩類統(tǒng)計(jì)特征；最后通過SLDA進(jìn)行分類。具體系統(tǒng)框圖如圖1所示。

圖1 基于PF系數(shù)通道選擇的多模態(tài)BCI系統(tǒng)框圖

1.1 基于PF系數(shù)的通道選擇

1.1.1 通道選擇的特征

EEG數(shù)據(jù)的特征主要有三種:時(shí)域特征、頻域特征與空域特征。小波分析[18]可以提取EEG的時(shí)頻特征，熵能對(duì)系統(tǒng)的狀態(tài)進(jìn)行表征。小波熵則結(jié)合了小波理論與熵原理的特點(diǎn)，考慮了各尺度能量的分布差異，通過各尺度的信息來反映信號(hào)的特征。設(shè)信號(hào)x(n)經(jīng)過小波變換，在第j分量尺度下k時(shí)刻的高頻分量系數(shù)為D j(k)，低頻分量系數(shù)A j(k)，信號(hào)x(n)可表示高頻分量與低頻分量之和，即:

設(shè)E＝E1，E2，…，E m，為信號(hào)x(t)在m個(gè)尺度上的小波能譜。則在尺度域上E可以形成對(duì)信號(hào)能量的一種劃分。由正交小波變化的特性可知，在某一時(shí)間窗內(nèi)的信號(hào)總功率因此第j個(gè)尺度上的能量概率p j為:

式中:E j為第j個(gè)尺度上的能量，于是定義相應(yīng)的小波能量熵W EE為:

fNIRS的特征提取[19]通常采用信號(hào)斜率(signal slope)，信號(hào)均值(signal mean)，信號(hào)方差(signal variance)，信號(hào)峰值(signal peak)，信號(hào)峰度(signal kurtosis)和信號(hào)偏斜(signal skewness)。

本文采用數(shù)據(jù)段上每個(gè)通道HbR和HbO濃度的平均值(mean)和峰值(peak)來建立特征向量。

①信號(hào)平均值(M)

HbO和HbR的濃度平均值計(jì)算如式(5):

式中:N是采樣點(diǎn)數(shù)，X i表示HbO或HbR數(shù)據(jù)。

②信號(hào)峰值(P)

信號(hào)峰值是時(shí)間窗口中信號(hào)的最大值。

式中:X i為采樣點(diǎn)i對(duì)應(yīng)的信號(hào)電壓值。

1.1.2 基于PF系數(shù)的通道選擇步驟

在多模態(tài)BCI研究中，通道選擇被視為直接影響系統(tǒng)性能的關(guān)鍵因素。因此，本文提出了一種新穎的方法，通過使用PF系數(shù)選取最優(yōu)的通道來確保實(shí)現(xiàn)最佳性能。

Pearson相關(guān)系數(shù)基于統(tǒng)計(jì)分析，其可以分析量化兩個(gè)通道之間的線性關(guān)聯(lián)的強(qiáng)度，Pearson正值越大表示正相關(guān)越強(qiáng)，Pearson負(fù)值越大則表示負(fù)相關(guān)越強(qiáng)[20]。第三種可能性是變量之間不相關(guān)，即ρ＝0。給定兩個(gè)通道[i，j]，相關(guān)系數(shù)定義如下:

式中:μ代表平均值，σ代表標(biāo)準(zhǔn)偏差，E代表期望算子。

Fisher準(zhǔn)則是一種將高維參數(shù)投影成一維來測(cè)量類判別屬性的統(tǒng)計(jì)量參數(shù)[21]，F(xiàn)isher值代表了兩類樣本的可分程度，F(xiàn)isher值越大表示可分性越強(qiáng)，F(xiàn)isher值越小表示可分性越弱。給定兩個(gè)類別樣本X－和X＋，相關(guān)系數(shù)定義如下:

式中:mean(·)為均值，var(·)為方差。

根據(jù)PF相關(guān)系數(shù)代表通道與任務(wù)之間關(guān)聯(lián)強(qiáng)度的算法流程圖如圖2所示。

圖2 PF算法流程圖

首先分別對(duì)EEG與fNIRS構(gòu)建用于通道選擇的PF系數(shù)，并根據(jù)PF系數(shù)設(shè)置合理閾值m來確定通道數(shù)目，m值越大選擇得到的通道數(shù)目越少。

(1)Fisher通道選擇:

①提取EEG信號(hào)小波熵WEE(Wavelet Energy Entropy)特征；提取mean和peak作為fNIRS特征。

②計(jì)算EEG與fNIRS每個(gè)通道的Fisher值，由通道Fisher值構(gòu)建列向量，分別記為:EFisher，F(xiàn)Fisher。

③對(duì)列向量EFisher與FFisher進(jìn)行歸一化，分別記為:IFisher，JFisher。

(2)Pearson通道選擇:

①分別構(gòu)建EEG與fNIRS通道之間的相關(guān)系數(shù)矩陣。

②選擇相關(guān)系數(shù)最大的EEG與fNIRS通道。

③統(tǒng)計(jì)所有試驗(yàn)EEG與fNIRS每個(gè)通道的投票數(shù)，由通道投票數(shù)構(gòu)建列向量分別記為:EPearson，F(xiàn)Pearson。

④對(duì)列向量EPearson與FPearson進(jìn)行歸一化，分別記為:IPearson，JPearson。

(3)PF通道選擇:

①EEG與fNIRS的PF系數(shù)分別為

式中:c為PF通道的權(quán)重系數(shù)。

②將IPF與JPF中的通道系數(shù)閾值設(shè)置為mi和m j，根據(jù)閾值選擇EEG和fNIRS通道。

1.2 特征提取

對(duì)通道選擇后信號(hào)進(jìn)行特征提取，其中EEG信號(hào)提取CSP空域特征，fNIRS信號(hào)提取平均值和峰值兩種統(tǒng)計(jì)特征。

CSP[22]是一種對(duì)二分類任務(wù)下的空域?yàn)V波特征提取算法，能夠從多通道的EEG數(shù)據(jù)里面提取出每一類的空間分布成分。記X1和X2為兩類任務(wù)下的信號(hào)矩陣，構(gòu)造空間濾波器；首先求信號(hào)矩陣協(xié)方差，并歸一化，得到:

式中:trace(·)為矩陣的跡，然后求出混合空間的協(xié)方差矩陣R，并進(jìn)行特征值分解:

式中:ˉR i為兩類任務(wù)實(shí)驗(yàn)的協(xié)方差矩陣，i＝1，2，U為矩陣R的特征向量，Λ為對(duì)應(yīng)的特征值矩陣；可以求出白化矩陣P:

接著對(duì)R1與R2做白化處理以及主成分分解:

則矩陣S1與矩陣S2的特征向量相等，即B1＝B2，且Λ1＋Λ2＝I，其中，I為單位矩陣。兩類矩陣的特征值之和為1，因此當(dāng)一類的特征值最大時(shí)另一類最小，從而可以實(shí)現(xiàn)區(qū)分的作用。構(gòu)造空間濾波器W:

將上述原始運(yùn)動(dòng)想象信號(hào)矩陣X經(jīng)W濾波，得到Z:

接著取其前m個(gè)和后m個(gè)特征值構(gòu)成空間濾波信號(hào)Z p，P＝1，…，2m，求取特征向量:

式中:Z j0為空間濾波信號(hào)Z p的第j0行信號(hào)。

將EEG和fNIRS提取的所有特征分別在0和1之間縮放，x′為重新縮放特征值:

式中:x∈R n表示原始特征值，x′表示介于0和1之間。

1.3 分類

使用收縮線性判別分析(Shrinking linear discriminant analysis，SLDA)方法進(jìn)行心算任務(wù)與靜息狀態(tài)二分類。在訓(xùn)練樣本數(shù)量比特征數(shù)量少的情況下，收縮(Shrinking)是改進(jìn)協(xié)方差矩陣估計(jì)的一種方式。通過采用基于Ledoit-Wolf引理的收縮參數(shù)，該方法可緩解由于使用高維特征向量而導(dǎo)致的分類精度損失[23]。

2 實(shí)驗(yàn)

2.1 數(shù)據(jù)描述

本文使用由柏林工業(yè)大學(xué)Shin等人所建立的公開數(shù)據(jù)集[24]，驗(yàn)證所提出的方法。數(shù)據(jù)集包含從29位健康受試者(14位男性和15位女性，平均年齡28.5±3.7)收集的EEG和fNIRS信號(hào)。EEG系統(tǒng)的采樣率為1 000 Hz。EEG采集電極位置由AFp1，AFp2，AFF1h，AFF2h，AFF5h，AFF6h，F(xiàn)3，F(xiàn)4，F(xiàn)7，F(xiàn)8，F(xiàn)CC3h，F(xiàn)CC4h，F(xiàn)CC5h，F(xiàn)CC6h，T7，T8，CCz，CCP3h，CCP4h，CCP6h，Pz，P3，P4，P7，P8，PPO1h，PPO2h，POO1，POO2和Fz三十個(gè)通道組成。fNIRS系統(tǒng)的采樣率為12.5 Hz。在額葉，運(yùn)動(dòng)和視覺區(qū)域放置了十四個(gè)光源和十六個(gè)檢測(cè)器，形成了36條通道。光電二極管之間的距離為30 mm。EEG電極位置與fNIRS光電二極管位置如圖3所示(淺色圓圈為EEG電極位置，淺色方塊為NIRS光源位置，深色方塊為NIRS探測(cè)器位置)。

圖3 EEG電極與fNIRS光電二極管位置分布圖

數(shù)據(jù)集包含心理算數(shù)MA數(shù)據(jù)集。數(shù)據(jù)集將EEG原信號(hào)下采樣至200 Hz，fNIRS原信號(hào)下采樣至10 Hz。MA數(shù)據(jù)集有心算和基線任務(wù)，且每個(gè)受試者進(jìn)行60次試驗(yàn)。圖4為一次實(shí)驗(yàn)的具體流程，包括2 s的視覺介紹，10 s的任務(wù)時(shí)間段和14 s～16 s的休息時(shí)間。在MA任務(wù)的過程中，要求受試者從“三位數(shù)”中減去一位數(shù)字(例如123－9)，并從先前的減法結(jié)果中重復(fù)減去一位數(shù)字，直到任務(wù)完成。在MA任務(wù)中，通過休息來執(zhí)行基線任務(wù)。

圖4 試驗(yàn)任務(wù)時(shí)間軸

2.2 數(shù)據(jù)預(yù)處理

對(duì)EEG信號(hào)使用六階巴特沃斯零相位濾波器進(jìn)行4 Hz～35 Hz帶通濾波，目的是消除干擾和噪聲。HbO和HbR的數(shù)據(jù)首先下采樣到10 Hz。fNIRS由多個(gè)發(fā)射近紅外光的光源和接收反射光的檢測(cè)器組成。為了到達(dá)大腦，光線沿著頭皮，組織和頭骨穿過。在fNIRS系統(tǒng)中，修正的Beer-Lambert定律用于將光強(qiáng)度測(cè)量值轉(zhuǎn)換為HbO和HbR的血液動(dòng)力學(xué)變化[25]。將fNIRS信號(hào)通過0.01 Hz～0.1 Hz的六階零相位巴特沃斯濾波器。采用實(shí)驗(yàn)前5 s的HbR和HbO濃度數(shù)據(jù)的均值進(jìn)行基線校正。文獻(xiàn)[24]中，對(duì)MA任務(wù)實(shí)驗(yàn)得出選取7 s～10 s的時(shí)間窗數(shù)據(jù)具有最好的分類結(jié)果，因此本文對(duì)EEG和fNIRS選取7 s～10 s的時(shí)間窗數(shù)據(jù)。

2.3 整體框架

實(shí)驗(yàn)中，采用10×5折交叉驗(yàn)證方法，即將原始數(shù)據(jù)集按照4∶1劃分為訓(xùn)練集和測(cè)試集，并重復(fù)10次實(shí)驗(yàn)，增加分類結(jié)果的可靠性。其中通過訓(xùn)練集數(shù)據(jù)計(jì)算通道的PF系數(shù)，并設(shè)置合理PF權(quán)重系數(shù)與閾值從而對(duì)通道進(jìn)行選擇。權(quán)重系數(shù)與閾值是通過交叉驗(yàn)證確定的。測(cè)試集則使用交叉驗(yàn)證確定的PF權(quán)重系數(shù)與閾值，對(duì)已選擇的合理時(shí)間窗數(shù)據(jù)和通道進(jìn)行特征提取與SLDA分類。整體框架如圖5所示。

圖5 整體框架圖

3 結(jié)果與討論

3.1 PF權(quán)重系數(shù)c和閾值m的設(shè)置

根據(jù)2.1.2節(jié)所述的基于PF系數(shù)的通道選擇方法，通過改變m與c可以確定EEG、fNIRS和Hybird三種模態(tài)下準(zhǔn)確率與通道數(shù)目的關(guān)系。閾值m設(shè)置與通道數(shù)目設(shè)置本質(zhì)上是一致的，因?yàn)楫?dāng)閾值m變大時(shí)，意味著通道對(duì)應(yīng)的PF值需要大于m，即通道數(shù)目變少。為了更清晰地表明通道選擇結(jié)果，本文使用通道數(shù)目進(jìn)行分析。如圖6所示，其中色度欄為準(zhǔn)確率大小，準(zhǔn)確率越大，顏色趨于淺色；準(zhǔn)確率越小，顏色趨于深色。以受試者2為例，圖6(a)、(b)色度圖分別表示EEG、fNIRS通道數(shù)目與權(quán)重c對(duì)任務(wù)分類精度的影響，根據(jù)驗(yàn)證集分類準(zhǔn)確率，從而選擇最優(yōu)的權(quán)重系數(shù)c與閾值m用于后期的測(cè)試集，最終對(duì)系統(tǒng)性能進(jìn)行評(píng)估。其中，在EEG與fNIRS單模態(tài)情況下，通道數(shù)目與權(quán)重的設(shè)置分別為6(neeg)，0.9(ceeg)與24(nfNIRS)，0.9(cfNIRS)時(shí)，MA任務(wù)的分類準(zhǔn)確率最高。圖6(c)色度圖表示在Hybird情況下，chybird＝0.8，EEG與fNIRS通道數(shù)目為9(neeg)和21(nfNIRS)時(shí)MA任務(wù)的分類準(zhǔn)確率最高。圖6顯示了三種模態(tài)下不同參數(shù)設(shè)置時(shí)分類任務(wù)準(zhǔn)確率波動(dòng)較大，相比于主觀選擇權(quán)重和閾值這也說明了交叉驗(yàn)證的必要性。

圖6 EEG，fNIRS通道數(shù)目與權(quán)重對(duì)任務(wù)分類精度的影響

3.2 通道選擇的結(jié)果

采用基于PF系數(shù)的通道選擇方法，選擇最相關(guān)心算任務(wù)同時(shí)可以提高分類性能的通道。以受試者2為例，根據(jù)PF系數(shù)值與通道分布的關(guān)系可以表示出地形圖，如圖7所示。其中色度欄為PF值的大小，PF值越大，顏色趨于淺色；PF值越小，顏色趨于深色。PF系數(shù)用于表征通道的重要性。圖7可以說明EEG與HBO通道分布分別在運(yùn)動(dòng)感知區(qū)和前額葉皮層區(qū)域更為重要；HBR通道分布在運(yùn)動(dòng)感知區(qū)與前額葉皮層區(qū)域更為重要。這與之前的研究相一致[24，26]，也在一定程度上驗(yàn)證了該方法的合理性。

圖7 受試者2的PF系數(shù)通道分布地形圖

3.3 分類性能的比較

本文基于PF系數(shù)所選的通道分別提取了EEG，fNIRS和Hybird的三組特征集，并對(duì)29個(gè)心算任務(wù)受試者進(jìn)行12次分類實(shí)驗(yàn)。分類精度為100%表示性能很好可以準(zhǔn)確區(qū)分心算任務(wù)，而50%表示性能較差。圖8(a)和(b)分別顯示了EEG和fNIRS與Hybird分類精度相比，不同受試者分類精度散點(diǎn)圖。圓點(diǎn)代表不同的受試者，橫坐標(biāo)為單模態(tài)的分類準(zhǔn)確率，縱坐標(biāo)為多模態(tài)的分類準(zhǔn)確率。虛線對(duì)角線上方的圓圈表示通過Hybird組合分類性能優(yōu)于EEG/fNIRS的受試者。超過90%和82.8%的受試者分別通過Hybird模態(tài)得到了更好的分類準(zhǔn)確率。相比EEG和fNIRS分類準(zhǔn)確率，Hybird測(cè)量的平均性能提高了10.6%和2.4%。實(shí)驗(yàn)結(jié)果表明，采用基于PF系數(shù)進(jìn)行通道選擇的多模態(tài)BCI可以十分有效的提高系統(tǒng)性能。

圖8 EEG(a)/fNIRS(b)分類精度與Hybird分類精度散點(diǎn)圖

本文比較了沒有進(jìn)行通道選擇(All Channel)、僅基于Pearson相關(guān)系數(shù)的通道選擇方法、僅基于Fisher值的通道選擇方法和基于PF系數(shù)的通道選擇方法。表1顯示了29個(gè)受試者在四種方法下，EEG，fNIRS和Hybird這三種模態(tài)下的平均MA任務(wù)分類準(zhǔn)確率。在MA任務(wù)中，fNIRS比EEG的有更好的分類性能。四種方法中，對(duì)Hybird采用PF方法可以取得最好的分類準(zhǔn)確率，達(dá)到90.8%。而對(duì)Hybird分別采用Pearson方法和Fisher方法的分類準(zhǔn)確率為87.3%與88.6%。在四種方法中的不同模態(tài)組合下，進(jìn)一步驗(yàn)證了多模態(tài)系統(tǒng)的優(yōu)勢(shì)，提升了分類準(zhǔn)確率。不僅如此，在四種方法中的不同模態(tài)下，采用PF方法均比其他方法有更好的分類性能，表明該方法能夠更有效地去除冗余信息，不僅提升了數(shù)據(jù)相關(guān)性，還提升了兩類任務(wù)特征的可分性，從而選出最佳的通道組合。

表1 不同通道選擇方法在不同模態(tài)組合下的分類精度表

針對(duì)本文所使用的數(shù)據(jù)集，其他研究者也提出了許多方法，具體結(jié)果如表2所示。從表2可知，同樣針對(duì)心算任務(wù)分類，使用多通道張量子空間學(xué)習(xí)和回歸方法[27]得到的EEG準(zhǔn)確率為77.0%；在方法[28]中，使用基于希爾伯特變換和導(dǎo)數(shù)求和的方法提取fNIRS特征，采用KNN進(jìn)行分類，得到fNIRS的準(zhǔn)確率為84.9%；在方法[24]中，采用CSP提取EEG特征，均值，平均斜率提取fNIRS特征，最后采用SLDA分類，得到Hybird的準(zhǔn)確率為88.1%。對(duì)比于上述其他方法，本文提出的方法對(duì)EEG，fNIRS和Hybird的分類性能均得到了提升。

表2 使用相同數(shù)據(jù)集的研究比較

4 結(jié)論

本文提出了一種基于PF系數(shù)的EEG-FNIRS通道選擇方法，用于基于心算任務(wù)的BCI系統(tǒng)的任務(wù)分類。分別計(jì)算通道的Pearson相關(guān)系數(shù)以及特征的Fisher值。由于Pearson相關(guān)系數(shù)代表了信號(hào)之間的相關(guān)性，F(xiàn)isher值代表了兩類任務(wù)的特征之間可分性。通過調(diào)節(jié)權(quán)重系數(shù)c來調(diào)整最優(yōu)通道組合，同時(shí)兼顧了信號(hào)的相關(guān)性以及特征的可分性，減少通道之間的冗余信息。然后用CSP和SLDA對(duì)最優(yōu)的通道組合進(jìn)行特征提取和分類。對(duì)MA數(shù)據(jù)集的分類實(shí)驗(yàn)結(jié)果表明PF方法所選出的通道組合能有效的避免個(gè)體性差異以及不同通道之間的差異，并且通道分布合理，提高了分類的準(zhǔn)確率。值得注意的是，本文算法雖然提升了分類準(zhǔn)確率，但進(jìn)行PF通道選擇的過程時(shí)間較長(zhǎng)，需要在進(jìn)行特征提取后，根據(jù)分類結(jié)果確定最優(yōu)的參數(shù)，此過程較為繁瑣。在以后的工作中，會(huì)考慮提升算法效率從而減少算法時(shí)間。