利用遗传算法特征选择提高运动想象 EEG 分类准确率

基于摘要分析。该研究针对运动想象（MI）EEG 分类，提出由特征提取、遗传算法特征选择和支持向量机（SVM）分类组成的分析系统，旨在通过筛选多类特征提高分类 Accuracy。 核心流程是先提取自适应自回归（AAR）参数、频谱功率、不对称比、相干性与相位锁定值，再利用遗传算法从这些特征的组合中选择子集，最终输入 SVM 分类。该方案的主要研究点是多类手工特征的组合与筛选，而非端到端学习；这些特征分别涉及信号动态、频谱及信号间关系，但具体计算方式和输入通道配置尚未验证。 作者报告，在两个 MI 数据集上，该系统相较不使用特征选择的方案及反向传播神经网络（BPNN）获得更高分类 Accuracy，并认为其适合 BCI 应用。摘要未提供数据集名称、被试数、任务类别、Accuracy 数值或被试内、跨被试、跨会话评估背景，因此无法判断收益幅度、泛化能力或实际在线 BCI 表现。 复现需核对 EEG 预处理、特征计算窗口、遗传算法的适应度函数与搜索设置、SVM 配置，以及特征选择与训练测试划分的关系。实验协议、消融及统计信息尚未验证，不能仅凭摘要确定性能提升主要来自特征筛选、分类器选择还是二者组合。