腦電（EEG）信號是腦機接口（BCI）系統的關鍵信號載體。全腦電極排布采集的EEG數據有利于獲得較高的信息表征。而個性化的電極布局，在保證EEG信號解碼精度的基礎上，亦能縮短BCI的校準時間，已成為一個重要的研究方向。本文梳理了近幾年的EEG信號通道選擇方法，對不同的通道選擇方法與不同的分類算法的結合效果進行了比較分析，總結了BCI中運動想象、P300等范式中常用的通道組合，并闡述了通道選擇方法在不同范式中的應用場景，以期為實現更精準和更便攜的BCI系統提供較有力的支持。
引用本文： 李湘喆, 王丹, 張柏雯, 范超杰, 陳佳明, 許萌, 陳遠方. 基于腦電信號的通道選擇研究綜述. 生物醫學工程學雜志, 2024, 41(2): 398-405. doi: 10.7507/1001-5515.202308034 復制
版權信息： ?四川大學華西醫院華西期刊社《生物醫學工程學雜志》版權所有，未經授權不得轉載、改編
0 引言
腦機接口（brain-computer interface，BCI）通過采集和記錄腦電（electroencephalogram，EEG）信號，將其轉換為可以控制外部設備的命令，可實現大腦與外部設備的直接交互[1]。EEG信號的采集是通過在頭皮表面放置電極，每個電極代表一個通道，利用不同通道的電位值變化情況記錄大腦不同區域的活動[2]。大腦區域主要可分為額葉、顳葉、頂葉、枕葉和中心部，10-20系統下腦區的通道分布如圖1所示。其中，額葉在認知與情感調節方面起重要作用，頂葉參與感覺信息加工和邏輯推理，枕葉與視覺和語言密切相關，顳葉主要涉及情緒調節[3]。隨著EEG信號采集技術的不斷進步，采集設備衍生出了高電極數的配置[4]。雖然增加電極數能夠提升對EEG信號的空間采集能力，但同時也會帶來較高的采集成本，并影響受試者的體驗。而在特定應用場景下，如對于配備人臉認證設備、腦控無人機以及大腦狀態監測儀器等的便攜式BCI系統來說，通道選擇尤為重要[5]。此外，在EEG信號的解碼流程中，噪聲較多的通道會引入冗余信息，進而降低BCI的識別率[6]。因此，探索如何減少通道數，以提高BCI系統的可擴展性和提升受試者的體驗感是一個重要的研究課題。
圖1
10-20系統腦區通道分布
Figure1.
Brain area and channel distribution of 10-20 system
2004年Lal等[7]引入了基于遞歸特征消除（recursive feature elimination，RFE）和零范數優化（zero norm optimization，l0-Opt）特征選擇方法，證明了采用適當的通道選擇方法減少通道數量，可以提高計算效率且不會增加分類誤差。近年來，相關領域的研究文獻報道了很多通道選擇方法。一些研究采取在特征提取前進行通道選擇，其EEG信號解碼流程如圖2所示。具體而言，BCI系統首先對原始EEG信號進行預處理，包括去偽跡和低頻噪聲干擾等，以獲得高信噪比的信號[8]；在訓練階段，對預處理后的信號經過通道選擇和特征提取，然后將其輸入到訓練模型進行信號分類；在測試階段，直接對通道選擇后的EEG數據進行特征提取和分類，輸出最終的分類結果。例如Dhiman[9]在特征提取前計算通道信號間相關性系數，進而選擇相關性強的通道。通道選擇也可基于特征提取的結果，例如Jin等[10]提出的基于雙光譜分析的通道選擇（bispectrum based channel selection，BCS）方法，對通道提取雙光譜對數震蕩子（sum of logarithmic amplitudes，SLA）和一階光譜矩（first order spectral moment，FOSM）特征，根據特征計算通道的重要性得分，進而實現通道選擇。
圖2
傳統的BCI系統處理分類流程
Figure2.
Classification process of conventional BCI system
本文綜述了近年來常用的通道選擇方法，總結了這些方法在EEG信號分類研究中的應用，包括所用通道的分布與數量以及在分類任務中的表現；分析了不同通道選擇方法的優缺點，并總結了四種BCI范式常用的通道組合，以幫助研究者選擇適用的通道組合或探索更優的通道選擇方法。
1 EEG信號通道選擇方法
根據對相關文獻的分析，本文將常見的通道選擇方法概括為以下三種：傳統的通道選擇方法、基于啟發式算法的通道選擇方法、基于深度學習的通道選擇方法。傳統的通道選擇方法需根據特征和給定閾值對通道進行排序選擇；基于啟發式算法的通道選擇方法通過搜索算法迭代尋找最優通道子集；基于深度學習的通道選擇方法通過神經網絡訓練得到分類表現好的通道。常見的通道選擇與分類方法如圖3所示。
圖3
常見的通道選擇方法與分類
Figure3.
Conventional channel selection methods and classification
1.1 傳統的通道選擇方法
傳統的通道選擇方法，通常根據信號頻率特性或通道信號間的相關性等因素來評估通道的重要性，從而對通道進行排序選擇。其中，通道信號間的相關性用于評估通道與大腦任務活動之間的激活關系，常用的方法有：通過計算通道信號間的皮爾遜相關性系數（Pearson correlation coefficient，PCC）來衡量它們之間的相關程度等[11-12]。
PCC是一種用于衡量兩個連續變量之間線性關系強度的統計指標。Jin等[13]首次提出了基于相關性的通道選擇（correlation-based channel selection，CCS）方法。該方法首先計算n個通道信號間的PCC，生成一個n × n的相關矩陣；然后，從矩陣的每一行提取平均值，以確定具有最大平均相關性的通道；最終，將平均相關性最大的m個通道定義為高度相關的通道。孟明等[14]將互信息應用于通道選擇中。互信息，是信息論中用于衡量兩個隨機變量之間相互關系的度量，其值越大，表示兩個變量之間的相互依賴性越強。與CCS方法類似，該方法首先計算n個通道信號間的互信息，生成一個n × n的互信息矩陣，接著初始化一個全0的n維通道權值向量，并將互信息矩陣中最大值對應的通道向量權值加1。在遍歷所有試次后，得到最終的通道權值向量，從而篩選出與任務相關性強的通道。Mahamune等[15]提出了一種基于小波系數標準差（standard deviation of wavelet coefficients，STDWC）的通道選擇方法。該方法利用濾波器組對每個通道信號進行處理，獲取不同尺度的小波系數，并計算它們的標準差，以評估每個通道的小波系數變化情況，變化越大，表明通道信號間相關性越強。除此以外，Mu等[16]提出了一種基于一對多共空間模式費舍爾得分（Fisher score of one versus rest-common spatial pattern，OVR-F-CSP）的通道選擇方法。其中，共空間模式（common spatial pattern，CSP）是一種空域濾波特征提取算法[17]。該方法采用CSP對不同通道提取特征，最終通過篩選出費舍爾得分（Fisher score）較高的通道來完成通道選擇。
1.2 基于啟發式算法的通道選擇方法
在基于啟發式算法的通道選擇中，常用0和1表示通道選擇情況，每種選擇被視為一個粒子。單目標啟發式算法通常采用分類表現作為評價通道集優劣的唯一適應度函數；多目標啟發式算法同時將分類效果和通道數量等作為目標函數，尋找多目標均衡的最優解。
1.2.1 基于單目標啟發式算法的通道選擇方法
Qi等[18]提出了將多級粒子群優化算法（multilevel particle swarm optimization，MLPSO）應用于EEG信號通道選擇中。粒子群優化算法（particle swarm optimization，PSO）是1995年由Kennedy等 [19]提出的一種基于群體的優化算法。為了更好地平衡算法的搜索能力，MLPSO使用了線性減小的慣性重量對PSO進行改進。PSO采用如式(1)所示方式來更新粒子的位置。應用于通道選擇算法的MLPSO僅允許粒子在0、1處進行位置更新，如式(2)所示：
 |
 |
其中，xi(t)代表第i個個體在第t次迭代的位置，vik(t + 1)、Xik(t + 1)分別代表第i個個體中第k個粒子在第t次迭代的速度與最終位置，r為0～1間的隨機數，S型函數（sigmoid）用于控制速度的變化范圍。
Padfield等[20]使用遺傳算法進行通道選擇。該算法定義染色體向量x = [x1， x2，···，xn]來表示通道選擇情況，通過適應度輪盤賭的方式，選擇遺傳到下一代的個體，并通過交叉和變異運算生成新個體。整個過程迭代進行，直至迭代結束，找到具有最高適應度的通道組合。還有一些新型啟發式算法，如引導鯨魚算法等也被應用于通道選擇中，這些新型的啟發式算法通常具有更快的收斂速度[21]。例如，Sun等[22]提出了一種結合位置先驗權重排列熵與二元引力搜索算法（position priori weight-permutation entropy-binary gravitational search algorithm，PPWPE-BGSA）的通道選擇方法。該方法首先根據位置先驗權重排列熵篩選出排名靠前的一半通道，再采用萬有引力搜索算法進一步探索最優的通道組合。
1.2.2 基于多目標啟發式算法的通道選擇方法
應用于通道選擇的多目標啟發式算法的適應度函數通常如式(3)所示：
 |
其中，x表示某種非支配通道組合，acc(x)表示分類準確率，f1(x)表示分類錯誤率，f2(x)表示選擇的通道數。此類優化問題中可能存在多個解決方案，這多個解決方案被稱為帕累托最優解。Martínez-Cagigal等[23]提出了一種名為雙前遺傳算法（dual-front genetic algorithm，DFGA）的多目標啟發式算法，用于解決通道選擇問題。與隨機生成解決方案的方法不同，DFGA在每次迭代中將存儲庫分為兩個集合：最優集、次優集。通過遺傳算子迭代計算，從這兩個集合中選擇解決方案并合成帕累托最優解，維護當前存儲庫中的最佳通道。Xu等[24]采用了一種求解大規模稀疏多目標優化問題的進化算法（evolutionary algorithm for large-scale sparse multi-objective optimization，SparseEA）, 該算法引入了新的二進制解碼方法和遺傳策略，結合結構化判決成分分析（hierarchical discriminant component analysis，HDCA）方法進行分類，以更好地適應通道選擇和EEG信號分類任務。Tiwari等[25]的研究融合了搜索策略與傳統特征選擇技術。這種通道選擇方法依據頻譜熵和李雅普諾夫指數設定雙目標得分函數，結合螢火蟲算法進行迭代搜索。在迭代過程中，候選通道根據得分函數計算其與通道集合在下一次迭代中的相似度，進而得到每個通道的加權分數。最終，結合通道的加權分數和費舍爾信息，對通道進行有效排序。Shi等[26]提出的自適應二進制多目標和聲搜索算法（adaptive binary multi-objective harmony search，ABMOHS）也被應用于通道選擇中。該算法是自適應二進制和聲搜索（adaptive binary harmony search，ABHS）算法的改進。ABHS算法通過持續學習和微調音調，不斷更新和聲記憶庫以創造新的音調，進而實現最優解的搜索。ABMOHS算法將ABHS中單目標搜索轉換為多目標搜索。基于ABMOHS的通道選擇方法在多個BCI范式下均取得了顯著的分類效果，突顯了其在EEG信號處理中的潛在應用價值。
1.3 基于深度學習的通道選擇方法
傳統的通道選擇方法需要手動提取通道特征，而深度學習能夠通過多層神經網絡自動學習并提取高度抽象的特征。隨著深度學習技術的進步，深度學習分類方法也被應用于EEG信號解碼，通過將通道選擇融入到深度學習模型中，可以簡化分類流程，且更有效地平衡不同受試者之間的差異。
Sun等[27]設計了通道主動推理模塊（channel active reasoning module，CARM），提出了兩種基于圖的通道選擇方法：邊選擇和聚合選擇。CARM模塊建立了動態可調鄰接矩陣以表示通道間的聯系，在訓練過程中利用反向傳播更新深度神經網絡中的參數，避免了人工構建鄰接矩陣。邊選擇，考慮了兩通道節點的交互性，邊的權重定義如式(4)所示：
 |
聚合選擇，則考慮節點與所有相鄰節點之間的聚合關系，通道節點的權重定義如式(5)所示：
 |
其中，
表示節點i到j的鄰接矩陣值，
表示節點i的度，N表示通道數。在實際應用中，由于大腦在固定范式下的激活區域呈相似模式，給定相同數量的通道時，通過聚合選擇實際選取的節點數通常少于給定的數值。因此，邊選擇被認為是一種計算量更小、更有效的選擇方式。
深度學習分類方法，通常在訓練過程的損失函數中添加懲罰項來平衡訓練數據的擬合程度和特征復雜性。但這種方法無法給定特征數量，導致訓練成本較高。為了解決特征數量問題，Strypsteen等[28]提出基于甘貝爾分布的歸一化指數（Gumbel softmax）通道選擇方法，在神經網絡模型中引入了通道選擇層。其中，通道選擇層中每個神經元由學習向量參數化，通過計算所有通道的權重向量，選出分類效果較好的通道。同時，該方法使用正則化函數在所選通道概率之和超過閾值時進行懲罰，以去除被重復選擇的通道。
2 基于通道選擇的EEG信號分類算法
本節介紹了近年來在EEG信號分類中應用的部分通道選擇方法，分析了這些方法在相同BCI范式或數據集條件下的通道數量與分類性能表現間的關系。具體而言，涵蓋了包括運動想象（motor imagery，MI）范式、P300范式、快速序列呈現（rapid serial visual presentation，RSVP）范式和情感識別范式的常見公開數據集。此外，根據這些方法的通道選擇結果，本文總結了在不同BCI范式下可能出現的最佳通道組合。
2.1 多類范式下的EEG信號通道選擇分類算法
近年，部分通道選擇方法在不同公開數據集上的分類性能如表1所示。傳統的通道選擇方法計算開銷較小，但更易受噪聲影響，擬合程度較差。如，BCS方法基于對信號頻譜特征的計算，受濾波器頻率范圍影響較大，可能導致分類準確率較低。在相同的數據集：第四屆BCI競賽公開數據集I（BCI competition IV dataset I）和支持向量機（support vector machine，SVM）算法分類下，ABMOHS方法均衡考慮兩個適應度函數的最優解，在通道數和分類準確率上都有較好的表現；PPWPE-BGSA方法由于在第一段通道選擇中去除了二分之一通道，在通道數量上更有優勢，但其分類性能略差于ABMOHS方法。在第三屆BCI競賽公開數據集IVa（BCI Competition III dataset IVa）和SVM算法分類下，傳統的通道選擇方法CCS和BCS分類表現并不十分突出，PPWPE-BGSA方法雖然達到了較高的準確率，仍使用了較多的通道進行分類。相對而言，ABMOHS方法僅采用平均17個通道就達到了89.6%的分類準確率，這表明多目標啟發式算法的強搜索能力對高通道數的數據集分類更有優勢。尤其是有研究顯示，DFGA方法在不同范式下的測試結果展現了該方法的良好通用性[23]，雖然在相同的P300范式數據集和線性判別分析（linear discriminant analysis，LDA）分類算法下，DFGA方法分類準確率略低于基于區域平滑稀疏貝葉斯學習（regional smoothing block sparse Bayesian learning，RSBSBL）的通道選擇方法，但其選擇的通道數僅為RSBSBL方法的一半。
表1
EEG信號通道選擇方法的分類情況
Table1.
Overview of classification of EEG channel selection methods
除此之外，本文總結了不同通道選擇方法在不同范式下的通道數選擇情況。在傳統的通道選擇方法下，對于MI范式，根據Mu等[16]的研究結果，通常選擇15～20個通道以獲得最佳分類結果；對于情感識別范式，Yan等[29]研究表明，當通道數小于19時，識別準確率呈下降趨勢。在基于啟發式算法的通道選擇方法下，對于MI范式，根據Shi等[26]的結果，通常選擇10～25個通道就能夠取得較為優異的分類效果。然而，當通道數小于10時，整體準確率則呈明顯下降趨勢；對于P300范式，平均選擇10～20個通道可達到最佳分類效果。
研究表明，同一通道選擇方法結合不同的分類方法也會對最終的分類效果產生影響，如ABMOHS方法分別結合SVM算法和費舍爾線性判別分析（Fisher’s linear discriminant analysis，FLDA）算法進行分類時，SVM展現了更為顯著的分類效果。近年來，越來越多的深度學習方法被用于解決通道選擇問題，如STDWC通道選擇方法使用卷積神經網絡（convolutional neural network，CNN）分類，僅用16個通道便在BCI Competition III dataset IVa上達到了81.86%的分類準確率；基于變換器結構（Transformer）分類的OVR-F-CSP方法，在第四屆BCI競賽公開數據集2a（BCI Competition IV dataset 2a）下達到了85.54%的分類準確率，相比通道選擇前有所提高。這些結果表明，合適的通道選擇方法與深度學習模型結合會有更優的分類表現。傳統通道選擇算法不依賴于分類器，可直接應用于深度學習分類，進一步提高算法的識別率。基于啟發式學習的通道選擇方法，在與復雜的深度學習模型結合時，通常伴隨著巨大的計算時間開銷。在這種情況下，將基于傳統機器學習分類算法得到的通道組合引入深度學習分類模型中，或許能夠為深度學習模型提供更具辨識信息的特征，從而更有效地促進以通道選擇與深度學習相結合的方式來解決分類問題。
2.2 多類范式下常用的通道組合
本節對表1中列舉出的通道選擇方法進行統計分析，總結出四種BCI范式下被選擇次數較多的10個通道，這些通道的位置分布如圖4所示。從圖4中可以看出，MI相關通道大部分集中在大腦中心部和感覺運動皮層的相關通道，這與大多數研究人員在MI的EEG信號分析中使用的電極位置是一致的。在P300范式下，本課題組根據對Zhao等[30]結果的綜合分析表明，大腦頂葉和中心部通道信號產生的刺激最為明顯。對于RSVP范式，Xu等[24]的研究指出，相關電極在頂葉和枕葉的分布較為密集，這與RSVP范式下由于眼球刺激引發的EEG信號變化相符合。對于情感識別范式，Topic等[31]在不同情感識別數據集上的通道選擇結果表明，在情感變化的過程中，額葉、頂葉和顳葉區域的EEG信號更加活躍，對分類識別影響更大。這些發現有助于指導研究人員選擇合適的EEG信號通道進行分類，以獲得更好的分類效果，并提升受試者的體驗。
圖4
不同范式下常用的10個腦電通道
Figure4.
10 commonly used EEG channels under different paradigms
3 通道選擇在不同范式下的應用場景
3.1 基于MI范式的通道選擇
通道選擇技術在EEG信號分類領域已有許多實際應用[32]。MI是指通過想象特定動作誘發大腦活動模式的變化，以判斷受試者的意圖，從而實現人腦與外部設備間的通信與控制。例如，Ortiz等[33]在研究中利用外骨骼幫助高位截癱患者提供步行輔助。在此應用場景中，由于外骨骼的重量可能增加步行負擔，借助通道選擇技術可有效簡化模型、減輕可穿戴外骨骼的體積和重量，更便于整合到便攜設備中。2022年Liu等[34]提出了一種基于MI的新型BCI范式，通過想象來控制第六手指的運動，并在EEG信號的解碼過程中采用基于遺傳算法的通道選擇方法。經過通道選擇后結果顯示，最優的通道組合僅包含8個通道，且分類準確率顯著優于隨機選擇8通道的分類準確率。
3.2 基于ERP相關范式的通道選擇
事件相關電位（event related potentials，ERP）是在特定的刺激條件下記錄到的EEG信號變化，用于研究大腦對特定刺激或事件的電生理反應。常用的ERP成分包括P300、N400等，這些成分反映了大腦對特定刺激的加工過程。Xu等[24]在RSVP范式中應用了通道選擇技術，該范式將圖片序列以固定頻率快速呈現給受試者觀看。由于連續、快速的視覺刺激可能引起眼動信號等偽跡，產生潛在干擾，運用通道選擇技術可以減少這些干擾對分類識別的影響，從而提高ERP的信噪比。Zeng等[35]提出了一種基于人臉圖像的RSVP范式用于身份認證，并采用基于遺傳算法的通道選擇方法。由于使用了較少的通道數，顯著縮短了準備時間，提高了身份認證的實用性。此外，通道選擇技術為每個用戶定制特定的通道，使得系統更具特異性和健壯性。
3.3 基于SSVEP范式的通道選擇
當人體受到固定頻率閃爍的視覺刺激時，大腦皮層會產生一個與刺激頻率有關的響應，這個響應具有與視覺刺激類似的周期性節律，即穩態視覺誘發電位（steady-state visually evoked potential，SSVEP）。SSVEP范式通過分析受試者EEG信號的譜峰頻率，能夠檢測受試者視覺注視的刺激源，從而實現對受試者意圖的識別。該范式在外部設備控制方面有一定的應用，例如控制電動輪椅、機械臂、游戲等[36]。Meng等[37]設計了四個方塊在屏幕上同時閃爍，并要求受試者將注意力集中在與提示目標相對應的閃爍方塊上持續4 s。為了達到最佳的SSVEP識別結果，研究者采用了三種不同的通道選擇方法，包括順序浮動前向選擇算法、離散PSO算法和改進的皮氏分數算法。通過對這三種通道選擇方法對比測試，研究者為每個受試者提供了個性化的通道設置，并成功減少了使用的通道數量。
3.4 基于情感識別和意識狀態檢測的通道選擇
情感識別是指利用EEG信號來識別和推斷個體情感狀態的技術。在情感識別的領域，使用具有大量通道的EEG信號采集設備會增加試驗流程的復雜性，在一定程度上也會影響受試者的情緒變化。Topic等[31]使用改進的救濟算法（ReliefF）進行通道選擇，并在經典的情感識別數據集上進行了測試。試驗中，由受試者自由觀看一部分視頻片段，并在效價、喚醒和支配空間中評估自我情緒，與EEG信號分類的結果相比較。試驗結果表明，使用少量通道可有效提高情感識別分類的準確率。除此以外，通道選擇技術也被應用于許多腦部疾病的檢測中，Ghembaza等[38]提出了一種基于時頻擴展瑞麗熵的動態通道選擇算法，選擇信號復雜度高的通道作為與癲癇發作最相關的EEG信號通道。該研究在提升了檢測效果的同時，大大減少了癲癇檢測所需的時間[39]。
4 總結與展望
選擇合適數量的通道進行EEG信號采集可以減少EEG信號分類的時間和資源成本，提高分類準確率，給受試者更好的體驗。通道選擇有多種衡量指標，如時間性能、通道數、分類準確率等，如何均衡實現多種指標的最優值是通道選擇的主要目標。本文對近年來發表的通道選擇方法進行了分析，總結了不同BCI范式下常用的通道組合與應用情況。經過研究發現，大多數通道選擇方法通常在獲取5～30個通道的情況下，便可以滿足BCI范式基本分類任務需求。同時，近年來許多新的深度學習模型和優化算法已經問世。如何將這些算法和模型應用于通道選擇，以進一步平衡計算開銷與BCI系統的分類性能，成為未來研究的一個潛在方向。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：陳佳明完成了相關文獻搜集、分析工作，張柏雯完成了文獻整理、文章圖像繪制，李湘喆完成了文獻綜述及文章的撰寫，王丹和許萌制定了文章的寫作思路，陳遠方完成了文章的審閱及校對，范超杰協助了稿件的修訂。
0 引言
腦機接口（brain-computer interface，BCI）通過采集和記錄腦電（electroencephalogram，EEG）信號，將其轉換為可以控制外部設備的命令，可實現大腦與外部設備的直接交互[1]。EEG信號的采集是通過在頭皮表面放置電極，每個電極代表一個通道，利用不同通道的電位值變化情況記錄大腦不同區域的活動[2]。大腦區域主要可分為額葉、顳葉、頂葉、枕葉和中心部，10-20系統下腦區的通道分布如圖1所示。其中，額葉在認知與情感調節方面起重要作用，頂葉參與感覺信息加工和邏輯推理，枕葉與視覺和語言密切相關，顳葉主要涉及情緒調節[3]。隨著EEG信號采集技術的不斷進步，采集設備衍生出了高電極數的配置[4]。雖然增加電極數能夠提升對EEG信號的空間采集能力，但同時也會帶來較高的采集成本，并影響受試者的體驗。而在特定應用場景下，如對于配備人臉認證設備、腦控無人機以及大腦狀態監測儀器等的便攜式BCI系統來說，通道選擇尤為重要[5]。此外，在EEG信號的解碼流程中，噪聲較多的通道會引入冗余信息，進而降低BCI的識別率[6]。因此，探索如何減少通道數，以提高BCI系統的可擴展性和提升受試者的體驗感是一個重要的研究課題。
圖1
10-20系統腦區通道分布
Figure1.
Brain area and channel distribution of 10-20 system
2004年Lal等[7]引入了基于遞歸特征消除（recursive feature elimination，RFE）和零范數優化（zero norm optimization，l0-Opt）特征選擇方法，證明了采用適當的通道選擇方法減少通道數量，可以提高計算效率且不會增加分類誤差。近年來，相關領域的研究文獻報道了很多通道選擇方法。一些研究采取在特征提取前進行通道選擇，其EEG信號解碼流程如圖2所示。具體而言，BCI系統首先對原始EEG信號進行預處理，包括去偽跡和低頻噪聲干擾等，以獲得高信噪比的信號[8]；在訓練階段，對預處理后的信號經過通道選擇和特征提取，然后將其輸入到訓練模型進行信號分類；在測試階段，直接對通道選擇后的EEG數據進行特征提取和分類，輸出最終的分類結果。例如Dhiman[9]在特征提取前計算通道信號間相關性系數，進而選擇相關性強的通道。通道選擇也可基于特征提取的結果，例如Jin等[10]提出的基于雙光譜分析的通道選擇（bispectrum based channel selection，BCS）方法，對通道提取雙光譜對數震蕩子（sum of logarithmic amplitudes，SLA）和一階光譜矩（first order spectral moment，FOSM）特征，根據特征計算通道的重要性得分，進而實現通道選擇。
圖2
傳統的BCI系統處理分類流程
Figure2.
Classification process of conventional BCI system
本文綜述了近年來常用的通道選擇方法，總結了這些方法在EEG信號分類研究中的應用，包括所用通道的分布與數量以及在分類任務中的表現；分析了不同通道選擇方法的優缺點，并總結了四種BCI范式常用的通道組合，以幫助研究者選擇適用的通道組合或探索更優的通道選擇方法。
1 EEG信號通道選擇方法
根據對相關文獻的分析，本文將常見的通道選擇方法概括為以下三種：傳統的通道選擇方法、基于啟發式算法的通道選擇方法、基于深度學習的通道選擇方法。傳統的通道選擇方法需根據特征和給定閾值對通道進行排序選擇；基于啟發式算法的通道選擇方法通過搜索算法迭代尋找最優通道子集；基于深度學習的通道選擇方法通過神經網絡訓練得到分類表現好的通道。常見的通道選擇與分類方法如圖3所示。
圖3
常見的通道選擇方法與分類
Figure3.
Conventional channel selection methods and classification
1.1 傳統的通道選擇方法
傳統的通道選擇方法，通常根據信號頻率特性或通道信號間的相關性等因素來評估通道的重要性，從而對通道進行排序選擇。其中，通道信號間的相關性用于評估通道與大腦任務活動之間的激活關系，常用的方法有：通過計算通道信號間的皮爾遜相關性系數（Pearson correlation coefficient，PCC）來衡量它們之間的相關程度等[11-12]。
PCC是一種用于衡量兩個連續變量之間線性關系強度的統計指標。Jin等[13]首次提出了基于相關性的通道選擇（correlation-based channel selection，CCS）方法。該方法首先計算n個通道信號間的PCC，生成一個n × n的相關矩陣；然后，從矩陣的每一行提取平均值，以確定具有最大平均相關性的通道；最終，將平均相關性最大的m個通道定義為高度相關的通道。孟明等[14]將互信息應用于通道選擇中。互信息，是信息論中用于衡量兩個隨機變量之間相互關系的度量，其值越大，表示兩個變量之間的相互依賴性越強。與CCS方法類似，該方法首先計算n個通道信號間的互信息，生成一個n × n的互信息矩陣，接著初始化一個全0的n維通道權值向量，并將互信息矩陣中最大值對應的通道向量權值加1。在遍歷所有試次后，得到最終的通道權值向量，從而篩選出與任務相關性強的通道。Mahamune等[15]提出了一種基于小波系數標準差（standard deviation of wavelet coefficients，STDWC）的通道選擇方法。該方法利用濾波器組對每個通道信號進行處理，獲取不同尺度的小波系數，并計算它們的標準差，以評估每個通道的小波系數變化情況，變化越大，表明通道信號間相關性越強。除此以外，Mu等[16]提出了一種基于一對多共空間模式費舍爾得分（Fisher score of one versus rest-common spatial pattern，OVR-F-CSP）的通道選擇方法。其中，共空間模式（common spatial pattern，CSP）是一種空域濾波特征提取算法[17]。該方法采用CSP對不同通道提取特征，最終通過篩選出費舍爾得分（Fisher score）較高的通道來完成通道選擇。
1.2 基于啟發式算法的通道選擇方法
在基于啟發式算法的通道選擇中，常用0和1表示通道選擇情況，每種選擇被視為一個粒子。單目標啟發式算法通常采用分類表現作為評價通道集優劣的唯一適應度函數；多目標啟發式算法同時將分類效果和通道數量等作為目標函數，尋找多目標均衡的最優解。
1.2.1 基于單目標啟發式算法的通道選擇方法
Qi等[18]提出了將多級粒子群優化算法（multilevel particle swarm optimization，MLPSO）應用于EEG信號通道選擇中。粒子群優化算法（particle swarm optimization，PSO）是1995年由Kennedy等 [19]提出的一種基于群體的優化算法。為了更好地平衡算法的搜索能力，MLPSO使用了線性減小的慣性重量對PSO進行改進。PSO采用如式(1)所示方式來更新粒子的位置。應用于通道選擇算法的MLPSO僅允許粒子在0、1處進行位置更新，如式(2)所示：
|
|
其中，xi(t)代表第i個個體在第t次迭代的位置，vik(t + 1)、Xik(t + 1)分別代表第i個個體中第k個粒子在第t次迭代的速度與最終位置，r為0～1間的隨機數，S型函數（sigmoid）用于控制速度的變化范圍。
Padfield等[20]使用遺傳算法進行通道選擇。該算法定義染色體向量x = [x1， x2，···，xn]來表示通道選擇情況，通過適應度輪盤賭的方式，選擇遺傳到下一代的個體，并通過交叉和變異運算生成新個體。整個過程迭代進行，直至迭代結束，找到具有最高適應度的通道組合。還有一些新型啟發式算法，如引導鯨魚算法等也被應用于通道選擇中，這些新型的啟發式算法通常具有更快的收斂速度[21]。例如，Sun等[22]提出了一種結合位置先驗權重排列熵與二元引力搜索算法（position priori weight-permutation entropy-binary gravitational search algorithm，PPWPE-BGSA）的通道選擇方法。該方法首先根據位置先驗權重排列熵篩選出排名靠前的一半通道，再采用萬有引力搜索算法進一步探索最優的通道組合。
1.2.2 基于多目標啟發式算法的通道選擇方法
應用于通道選擇的多目標啟發式算法的適應度函數通常如式(3)所示：
|
其中，x表示某種非支配通道組合，acc(x)表示分類準確率，f1(x)表示分類錯誤率，f2(x)表示選擇的通道數。此類優化問題中可能存在多個解決方案，這多個解決方案被稱為帕累托最優解。Martínez-Cagigal等[23]提出了一種名為雙前遺傳算法（dual-front genetic algorithm，DFGA）的多目標啟發式算法，用于解決通道選擇問題。與隨機生成解決方案的方法不同，DFGA在每次迭代中將存儲庫分為兩個集合：最優集、次優集。通過遺傳算子迭代計算，從這兩個集合中選擇解決方案并合成帕累托最優解，維護當前存儲庫中的最佳通道。Xu等[24]采用了一種求解大規模稀疏多目標優化問題的進化算法（evolutionary algorithm for large-scale sparse multi-objective optimization，SparseEA）, 該算法引入了新的二進制解碼方法和遺傳策略，結合結構化判決成分分析（hierarchical discriminant component analysis，HDCA）方法進行分類，以更好地適應通道選擇和EEG信號分類任務。Tiwari等[25]的研究融合了搜索策略與傳統特征選擇技術。這種通道選擇方法依據頻譜熵和李雅普諾夫指數設定雙目標得分函數，結合螢火蟲算法進行迭代搜索。在迭代過程中，候選通道根據得分函數計算其與通道集合在下一次迭代中的相似度，進而得到每個通道的加權分數。最終，結合通道的加權分數和費舍爾信息，對通道進行有效排序。Shi等[26]提出的自適應二進制多目標和聲搜索算法（adaptive binary multi-objective harmony search，ABMOHS）也被應用于通道選擇中。該算法是自適應二進制和聲搜索（adaptive binary harmony search，ABHS）算法的改進。ABHS算法通過持續學習和微調音調，不斷更新和聲記憶庫以創造新的音調，進而實現最優解的搜索。ABMOHS算法將ABHS中單目標搜索轉換為多目標搜索。基于ABMOHS的通道選擇方法在多個BCI范式下均取得了顯著的分類效果，突顯了其在EEG信號處理中的潛在應用價值。
1.3 基于深度學習的通道選擇方法
傳統的通道選擇方法需要手動提取通道特征，而深度學習能夠通過多層神經網絡自動學習并提取高度抽象的特征。隨著深度學習技術的進步，深度學習分類方法也被應用于EEG信號解碼，通過將通道選擇融入到深度學習模型中，可以簡化分類流程，且更有效地平衡不同受試者之間的差異。
Sun等[27]設計了通道主動推理模塊（channel active reasoning module，CARM），提出了兩種基于圖的通道選擇方法：邊選擇和聚合選擇。CARM模塊建立了動態可調鄰接矩陣以表示通道間的聯系，在訓練過程中利用反向傳播更新深度神經網絡中的參數，避免了人工構建鄰接矩陣。邊選擇，考慮了兩通道節點的交互性，邊的權重定義如式(4)所示：
|
聚合選擇，則考慮節點與所有相鄰節點之間的聚合關系，通道節點的權重定義如式(5)所示：
|
其中，表示節點i到j的鄰接矩陣值，表示節點i的度，N表示通道數。在實際應用中，由于大腦在固定范式下的激活區域呈相似模式，給定相同數量的通道時，通過聚合選擇實際選取的節點數通常少于給定的數值。因此，邊選擇被認為是一種計算量更小、更有效的選擇方式。
深度學習分類方法，通常在訓練過程的損失函數中添加懲罰項來平衡訓練數據的擬合程度和特征復雜性。但這種方法無法給定特征數量，導致訓練成本較高。為了解決特征數量問題，Strypsteen等[28]提出基于甘貝爾分布的歸一化指數（Gumbel softmax）通道選擇方法，在神經網絡模型中引入了通道選擇層。其中，通道選擇層中每個神經元由學習向量參數化，通過計算所有通道的權重向量，選出分類效果較好的通道。同時，該方法使用正則化函數在所選通道概率之和超過閾值時進行懲罰，以去除被重復選擇的通道。
2 基于通道選擇的EEG信號分類算法
本節介紹了近年來在EEG信號分類中應用的部分通道選擇方法，分析了這些方法在相同BCI范式或數據集條件下的通道數量與分類性能表現間的關系。具體而言，涵蓋了包括運動想象（motor imagery，MI）范式、P300范式、快速序列呈現（rapid serial visual presentation，RSVP）范式和情感識別范式的常見公開數據集。此外，根據這些方法的通道選擇結果，本文總結了在不同BCI范式下可能出現的最佳通道組合。
2.1 多類范式下的EEG信號通道選擇分類算法
近年，部分通道選擇方法在不同公開數據集上的分類性能如表1所示。傳統的通道選擇方法計算開銷較小，但更易受噪聲影響，擬合程度較差。如，BCS方法基于對信號頻譜特征的計算，受濾波器頻率范圍影響較大，可能導致分類準確率較低。在相同的數據集：第四屆BCI競賽公開數據集I（BCI competition IV dataset I）和支持向量機（support vector machine，SVM）算法分類下，ABMOHS方法均衡考慮兩個適應度函數的最優解，在通道數和分類準確率上都有較好的表現；PPWPE-BGSA方法由于在第一段通道選擇中去除了二分之一通道，在通道數量上更有優勢，但其分類性能略差于ABMOHS方法。在第三屆BCI競賽公開數據集IVa（BCI Competition III dataset IVa）和SVM算法分類下，傳統的通道選擇方法CCS和BCS分類表現并不十分突出，PPWPE-BGSA方法雖然達到了較高的準確率，仍使用了較多的通道進行分類。相對而言，ABMOHS方法僅采用平均17個通道就達到了89.6%的分類準確率，這表明多目標啟發式算法的強搜索能力對高通道數的數據集分類更有優勢。尤其是有研究顯示，DFGA方法在不同范式下的測試結果展現了該方法的良好通用性[23]，雖然在相同的P300范式數據集和線性判別分析（linear discriminant analysis，LDA）分類算法下，DFGA方法分類準確率略低于基于區域平滑稀疏貝葉斯學習（regional smoothing block sparse Bayesian learning，RSBSBL）的通道選擇方法，但其選擇的通道數僅為RSBSBL方法的一半。
表1
EEG信號通道選擇方法的分類情況
Table1.
Overview of classification of EEG channel selection methods
除此之外，本文總結了不同通道選擇方法在不同范式下的通道數選擇情況。在傳統的通道選擇方法下，對于MI范式，根據Mu等[16]的研究結果，通常選擇15～20個通道以獲得最佳分類結果；對于情感識別范式，Yan等[29]研究表明，當通道數小于19時，識別準確率呈下降趨勢。在基于啟發式算法的通道選擇方法下，對于MI范式，根據Shi等[26]的結果，通常選擇10～25個通道就能夠取得較為優異的分類效果。然而，當通道數小于10時，整體準確率則呈明顯下降趨勢；對于P300范式，平均選擇10～20個通道可達到最佳分類效果。
研究表明，同一通道選擇方法結合不同的分類方法也會對最終的分類效果產生影響，如ABMOHS方法分別結合SVM算法和費舍爾線性判別分析（Fisher’s linear discriminant analysis，FLDA）算法進行分類時，SVM展現了更為顯著的分類效果。近年來，越來越多的深度學習方法被用于解決通道選擇問題，如STDWC通道選擇方法使用卷積神經網絡（convolutional neural network，CNN）分類，僅用16個通道便在BCI Competition III dataset IVa上達到了81.86%的分類準確率；基于變換器結構（Transformer）分類的OVR-F-CSP方法，在第四屆BCI競賽公開數據集2a（BCI Competition IV dataset 2a）下達到了85.54%的分類準確率，相比通道選擇前有所提高。這些結果表明，合適的通道選擇方法與深度學習模型結合會有更優的分類表現。傳統通道選擇算法不依賴于分類器，可直接應用于深度學習分類，進一步提高算法的識別率。基于啟發式學習的通道選擇方法，在與復雜的深度學習模型結合時，通常伴隨著巨大的計算時間開銷。在這種情況下，將基于傳統機器學習分類算法得到的通道組合引入深度學習分類模型中，或許能夠為深度學習模型提供更具辨識信息的特征，從而更有效地促進以通道選擇與深度學習相結合的方式來解決分類問題。
2.2 多類范式下常用的通道組合
本節對表1中列舉出的通道選擇方法進行統計分析，總結出四種BCI范式下被選擇次數較多的10個通道，這些通道的位置分布如圖4所示。從圖4中可以看出，MI相關通道大部分集中在大腦中心部和感覺運動皮層的相關通道，這與大多數研究人員在MI的EEG信號分析中使用的電極位置是一致的。在P300范式下，本課題組根據對Zhao等[30]結果的綜合分析表明，大腦頂葉和中心部通道信號產生的刺激最為明顯。對于RSVP范式，Xu等[24]的研究指出，相關電極在頂葉和枕葉的分布較為密集，這與RSVP范式下由于眼球刺激引發的EEG信號變化相符合。對于情感識別范式，Topic等[31]在不同情感識別數據集上的通道選擇結果表明，在情感變化的過程中，額葉、頂葉和顳葉區域的EEG信號更加活躍，對分類識別影響更大。這些發現有助于指導研究人員選擇合適的EEG信號通道進行分類，以獲得更好的分類效果，并提升受試者的體驗。
圖4
不同范式下常用的10個腦電通道
Figure4.
10 commonly used EEG channels under different paradigms
3 通道選擇在不同范式下的應用場景
3.1 基于MI范式的通道選擇
通道選擇技術在EEG信號分類領域已有許多實際應用[32]。MI是指通過想象特定動作誘發大腦活動模式的變化，以判斷受試者的意圖，從而實現人腦與外部設備間的通信與控制。例如，Ortiz等[33]在研究中利用外骨骼幫助高位截癱患者提供步行輔助。在此應用場景中，由于外骨骼的重量可能增加步行負擔，借助通道選擇技術可有效簡化模型、減輕可穿戴外骨骼的體積和重量，更便于整合到便攜設備中。2022年Liu等[34]提出了一種基于MI的新型BCI范式，通過想象來控制第六手指的運動，并在EEG信號的解碼過程中采用基于遺傳算法的通道選擇方法。經過通道選擇后結果顯示，最優的通道組合僅包含8個通道，且分類準確率顯著優于隨機選擇8通道的分類準確率。
3.2 基于ERP相關范式的通道選擇
事件相關電位（event related potentials，ERP）是在特定的刺激條件下記錄到的EEG信號變化，用于研究大腦對特定刺激或事件的電生理反應。常用的ERP成分包括P300、N400等，這些成分反映了大腦對特定刺激的加工過程。Xu等[24]在RSVP范式中應用了通道選擇技術，該范式將圖片序列以固定頻率快速呈現給受試者觀看。由于連續、快速的視覺刺激可能引起眼動信號等偽跡，產生潛在干擾，運用通道選擇技術可以減少這些干擾對分類識別的影響，從而提高ERP的信噪比。Zeng等[35]提出了一種基于人臉圖像的RSVP范式用于身份認證，并采用基于遺傳算法的通道選擇方法。由于使用了較少的通道數，顯著縮短了準備時間，提高了身份認證的實用性。此外，通道選擇技術為每個用戶定制特定的通道，使得系統更具特異性和健壯性。
3.3 基于SSVEP范式的通道選擇
當人體受到固定頻率閃爍的視覺刺激時，大腦皮層會產生一個與刺激頻率有關的響應，這個響應具有與視覺刺激類似的周期性節律，即穩態視覺誘發電位（steady-state visually evoked potential，SSVEP）。SSVEP范式通過分析受試者EEG信號的譜峰頻率，能夠檢測受試者視覺注視的刺激源，從而實現對受試者意圖的識別。該范式在外部設備控制方面有一定的應用，例如控制電動輪椅、機械臂、游戲等[36]。Meng等[37]設計了四個方塊在屏幕上同時閃爍，并要求受試者將注意力集中在與提示目標相對應的閃爍方塊上持續4 s。為了達到最佳的SSVEP識別結果，研究者采用了三種不同的通道選擇方法，包括順序浮動前向選擇算法、離散PSO算法和改進的皮氏分數算法。通過對這三種通道選擇方法對比測試，研究者為每個受試者提供了個性化的通道設置，并成功減少了使用的通道數量。
3.4 基于情感識別和意識狀態檢測的通道選擇
情感識別是指利用EEG信號來識別和推斷個體情感狀態的技術。在情感識別的領域，使用具有大量通道的EEG信號采集設備會增加試驗流程的復雜性，在一定程度上也會影響受試者的情緒變化。Topic等[31]使用改進的救濟算法（ReliefF）進行通道選擇，并在經典的情感識別數據集上進行了測試。試驗中，由受試者自由觀看一部分視頻片段，并在效價、喚醒和支配空間中評估自我情緒，與EEG信號分類的結果相比較。試驗結果表明，使用少量通道可有效提高情感識別分類的準確率。除此以外，通道選擇技術也被應用于許多腦部疾病的檢測中，Ghembaza等[38]提出了一種基于時頻擴展瑞麗熵的動態通道選擇算法，選擇信號復雜度高的通道作為與癲癇發作最相關的EEG信號通道。該研究在提升了檢測效果的同時，大大減少了癲癇檢測所需的時間[39]。
4 總結與展望
選擇合適數量的通道進行EEG信號采集可以減少EEG信號分類的時間和資源成本，提高分類準確率，給受試者更好的體驗。通道選擇有多種衡量指標，如時間性能、通道數、分類準確率等，如何均衡實現多種指標的最優值是通道選擇的主要目標。本文對近年來發表的通道選擇方法進行了分析，總結了不同BCI范式下常用的通道組合與應用情況。經過研究發現，大多數通道選擇方法通常在獲取5～30個通道的情況下，便可以滿足BCI范式基本分類任務需求。同時，近年來許多新的深度學習模型和優化算法已經問世。如何將這些算法和模型應用于通道選擇，以進一步平衡計算開銷與BCI系統的分類性能，成為未來研究的一個潛在方向。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：陳佳明完成了相關文獻搜集、分析工作，張柏雯完成了文獻整理、文章圖像繪制，李湘喆完成了文獻綜述及文章的撰寫，王丹和許萌制定了文章的寫作思路，陳遠方完成了文章的審閱及校對，范超杰協助了稿件的修訂。
