モーター画像分類測地線フィルタリング共通の空間パターンとフィルターバンク機能加重サポートベクトルマシンを使用した

近年、運動画像に基づいた脳コンピューターインターフェイス（BCI）は、自動車の分野、自動車用のアクティブな安全システム、エンターテイメントなどで広く使用されています。モーター画像関連する脳波（EEG）シグナルは、弱く、非線形で、干渉の影響を受けやすいです。モーター画像の特徴抽出方法として、共通の空間パターン（CSP）は非常に効果的であることが証明されています。ただし、その有効性は周波数帯の選択に大きく依存しており、ユークリッド空間は内部の関係を効果的に説明することはできません。これらの問題を解決するために、GeodeSicフィルタリングの共通空間パターン（GFCSP）とフィルターバンク機能の加重サポートベクターマシン（FWSVM）を使用したモーター画像の分類アプローチが提示されます。第一に、リーマンの多様体に基づくGFCSPが提案されており、抽出された共分散特徴がリーマンの接線空間で空間的にフィルタリングされ、平均共分散マトリックスはcspのリーマニアン平均に置き換えられます。第二に、機能加重マトリックスを備えたフィルターバンクFWSVMが提案されています。EEG信号は8〜12 Hz、12-16 Hz、18-22 Hz、22-26 Hz、8-24 Hzのワイドバンドにろ過され、これらのフィルタリングされた信号のGFCSP機能が抽出されます。特徴加重マトリックスは、これらの機能とクラス情報からの相互情報とピアソン相関係数を使用して計算されます。次に、サポートベクターマシン（SVM）が、特徴加重マトリックスの分類に使用されます。最後に、提案された方法は、BCIコンペティションIIIのデータセットIVAで検証されています。5人の被験者の分類精度は92.31％、99.03％、80.36％、96.30％、97.67％であり、提案された方法の有効性を示しています。

In recent years, Brain Computer Interface (BCI) based on motor imagery has been widely used in the fields of medicine, active safe systems for automobiles, entertainment, and so on. Motor imagery relevant electroencephalogram (EEG) signals are weak, nonlinear, and susceptible to interference. As a feature extraction method for motor imagery, Common Spatial Pattern (CSP) has been proven to be very effective. However, its effectiveness depends heavily on the choice of frequency bands, and Euclidean space cannot effectively describe the inner relationship. To solve these problems, a classification approach for motor imagery using the Geodesic Filtering Common Spatial Pattern (GFCSP) and filter-bank Feature Weighted Support Vector Machine (FWSVM) is presented. First, GFCSP based on the Riemannian manifold is proposed, in which the extracted covariance features are spatially filtered in Riemannian tangent space, and the average covariance matrix is replaced by Riemannian mean in CSP. Second, filter-bank FWSVM with a feature weighted matrix is proposed. EEG signals are filtered into 8-12 Hz, 12-16 Hz, 18-22 Hz, 22-26 Hz, and a wide band of 8-24 Hz, and GFCSP features of these filtered signals are extracted. A feature weighted matrix is calculated using mutual information and the Pearson correlation coefficient from these features and class information. Then, the Support Vector Machine (SVM) is used for classification with the feature weighted matrix. Finally, the proposed method is validated on the dataset IVa in BCI competition III. Classification accuracies of the five subjects are 92.31%, 99.03%, 80.36%, 96.30%, and 97.67%, which demonstrate the effectiveness of our proposed method.