1、近年來,腦-機接口系統(tǒng)的發(fā)展得到了眾多國內外研究人員的關注,并成為神經工程領域一個新的研究熱點。隨著腦-機接口的不斷發(fā)展,研究人員正試圖將BCI技術應用到實際生活中。但是,對基于運動想象的腦-機接口系統(tǒng),當導聯(lián)數目過多時會導致共空域模式算法的性能降低,因此腦-機接口系統(tǒng)一直難以在現(xiàn)實生活中應用。另外,隨著導聯(lián)數目的增加,多通道腦電信號的記錄需要復雜的準備工作以及復雜的計算過程,既費時又可能降低分類正確率。
　　 為解決此問題,本

2、文提出四種導聯(lián)選擇算法:第一種是二進制多目標粒子群優(yōu)化算法(bMOPSO);第二種是基于培養(yǎng)的多目標微粒群優(yōu)化算法(cMOPSO);第三種是L1-norm算法;第四種是基于濾波器組的cMOPSO算法(fbMOPSO)。bMOPSO算法和兩種cMOPSO算法都是基于微粒群(PSO)的,微粒群優(yōu)化是一種啟發(fā)式研究技術,它是對鳥群尋找食物時的活動規(guī)律性進行建模與仿真。起初,PSO算法主要用來解決單目標優(yōu)化問題,MOPSO算法是PSO算法的擴展

3、,它在解決多目標優(yōu)化問題中應用也越來越廣泛。大部分MOPSO算法在整個進化過程中對所有粒子使用固定的權重和加速度,與bMOPSO算法不同,cMOPSO算法通過引入一個培養(yǎng)架構去適應變異粒子的個體飛行參數。第三種算法是典型的L1-norm算法,這個方法對兩分類數據能夠選擇較少的導聯(lián)數目。
　　 另外,本文用三種分類算法對腦電數據進行分類:支持向量機(SVM)、k-近鄰法(k-NN)和BP神經網絡算法。
　　 最后,分別對三