基于联合MVMD的最优特征选择与FW-LS-TWSVM用于运动想象识别

教计算机识别想象中的动作

想象仅通过思考移动手就能操控轮椅或机器人手臂。该研究探讨如何让这类脑控技术更准确、更快速，从而更好地帮助运动障碍者并支持顺畅的人机协作。

为什么脑信号控制很难

脑–机接口将头皮上的微弱电信号转换为外部设备的指令。在运动想象系统中，人们仅想象移动手或脚，传感器记录由此产生的脑活动。这些信号非常微弱，容易受到个体差异、情绪或疲劳变化以及背景噪声的干扰。因此，许多现有系统在日常使用中并不够准确或可靠，尤其是在训练数据有限的情况下。

寻找脑信号中的关键片段

作者侧重于精心构建并选择脑信号特征，而不是单纯依赖深度学习。他们首先清理信号并将其切分为短时间窗口，以找到最能反映想象动作的时段。然后使用一种同时分析所有通道的方法，将每个信号分解为对应不同频率范围的若干成分。此步骤有助于将与动作相关的有意义模式与其他活动和噪声区分开来。对每个成分，他们提取强调电极群在不同想象动作中如何共同变化的空间模式。

只挑对判别真正有用的特征

并非每个频带或空间模式都是有用的。该方法采用统计手段检验每个特征在区分左手与右手想象上的贡献。没有太大帮助的特征会被剔除，剩下的是一组紧凑且信息量最大的信号片段。此自适应选择可因人而异，甚至随记录会话不同而变化，反映了每个大脑和每个记录日都有其独特性。通过去除冗余且不稳定的特征，系统在提高准确性的同时也更加高效。

一种更聪明的判决线绘制方式

在选出最佳特征后，系统仍需要一个能够处理异常值（例如噪声或异常试次）的分类器。研究引入了一种模糊加权的快速支持向量机变体，该方法学习两条判决平面而不是一条。每个训练样本根据其对所属类别的典型性被赋予权重，因此可疑或噪声样本的影响较小。这一设计在降低坏数据影响的同时，保持训练速度足够快，可用于近实时应用。

方法的效果如何

研究人员在两个大型公开的想象手部运动数据集上测试了他们的完整流程，这些数据由数十个头皮电极记录。他们的方法平均准确率约为87%至88%，明显优于若干近期深度学习系统和使用相同数据的其他先进分类器。他们还展示了将自适应频率分解与特征选择结合使用，相较于更简单的固定带通滤波或较旧的分解方法可带来显著提升。

这对未来脑控意味着什么

对普通读者而言，结论是：本研究表明，谨慎选择值得信赖的脑信号部分并减少噪声样本的影响，能够使意念控制的设备更可靠、更灵敏。虽然在这类系统普及到日常生活之前仍需更多工作，但该方法使我们更接近能够辅助康复、恢复失去运动能力并扩展人们以思维与机器交互的实用工具。

引用: Zhi, J., Zhang, Q., Li, Y. et al. Joint MVMD-based optimal feature selection and FW-LS-TWSVM for motor imagery recognition. Sci Rep 16, 15648 (2026). https://doi.org/10.1038/s41598-026-46642-3

关键词: 运动想象, 脑机接口, 脑电解码, 特征选择, 支持向量机