基于通道交互最大化与多变量经验模态分解的多类 EEG 信号分类模型

基于摘要分析。研究针对多通道 EEG 特征维度较高、增加 BCI 计算与时间开销的问题，提出基于互信息三路交互的通道选择方法，用于多类运动想象（MI）分类。核心贡献是通过平衡通道相关性与冗余性，寻找较小且具有判别价值的 EEG 通道子集。 机制方面，方法先为给定 MI 分类任务初始化三个候选解，再确定重要通道集合；在新增通道的选择与剔除过程中，兼顾最终子集的相关性和冗余性。摘要没有提供三路交互的数学定义、候选解更新规则或停止条件。标题包含 Multivariate Empirical Mode Decomposition（多变量经验模态分解），但摘要未说明其在信号分解、特征提取及分类流程中的具体作用，不能据此补写完整模型结构。 作者报告，在 BCI Competition IV-2008 数据集的九名被试、二十二个通道及四类 MI（左手、右手、舌、双脚）任务上，使用九个通道取得平均 86.66% 的分类 Accuracy。作者报告，与三种近期发表的方法相比，该方案在分类 Accuracy 和通道减少率方面均表现更好。摘要未交代被试内或跨被试评估、训练与测试划分、平均值计算方式、基线名称及统计不确定性，因此该数字不能直接与其他协议下的结果比较。 复现时应重点核对通道选择是否限定在训练数据内、通道子集是否按被试独立确定，以及分解、特征提取和分类器的具体设置；实验协议、消融及统计信息尚未验证。作者将结果视为低复杂度在线 BCI 的有希望方向，但摘要未提供在线部署、跨会话稳定性或实际运行时延的验证，尚不能将通道减少直接等同于已证实的在线效率收益。