线性判别与特征选择

在非侵入式 EEG BCI（运动想象、P300、SSVEP）中，数据量小、信噪比低、类别有限，线性判别分析（LDA） 和特征选择仍是多年统治性方法。它们代表了"小数据 BCI"与"大数据侵入式 BCI"完全不同的技术哲学。

一、为什么 EEG 需要线性判别

• 训练数据少（单用户单 session 可能只有几百试次）
• 维度高（64 通道 × 多频段 × 时间窗）
• 类别少（通常 2–4 类）
• 过拟合风险极高

深度学习在这种环境下训练不稳定——线性分类器 + 精心的特征工程反而成为最优。这在 BCI Competition IV-2a 等基准上长期不变。

二、LDA（线性判别分析）

核心思想

找一个投影方向 \(\mathbf{w}\)，使得： - 两类均值之差最大 - 两类内方差之和最小

\[\mathbf{w}^* = \arg\max_\mathbf{w} \frac{(\mathbf{w}^T \mu_1 - \mathbf{w}^T \mu_2)^2}{\mathbf{w}^T (\Sigma_1 + \Sigma_2) \mathbf{w}}\]

解析解：\(\mathbf{w}^* = (\Sigma_1 + \Sigma_2)^{-1} (\mu_1 - \mu_2)\)

在 BCI 的应用

• P300 分类：信号 vs 非信号
• 运动想象：左手 vs 右手
• SSVEP 目标判定：哪个频率响应最强

优势

• 闭式解、训练快
• 对少数据鲁棒
• 可解释

局限

• 线性判别面
• 假设协方差高斯
• 高维时 \(\Sigma\) 估计不稳

三、Shrinkage LDA（正则化 LDA）

Blankertz et al. 2011 NeuroImage 提出 shrinkage LDA：

\[\Sigma_{\text{shrink}} = (1 - \gamma) \Sigma + \gamma \frac{\text{tr}(\Sigma)}{d} I\]

\(\gamma \in [0, 1]\) 是收缩系数。shrinkage 让协方差估计在高维下稳定——是 EEG BCI 的标配。

四、CSP 特征 + LDA

Common Spatial Pattern (CSP) + LDA 是运动想象 BCI 十年金标准。

CSP

学习一组空间滤波器 \(W\) 最大化两类协方差比：

\[\max_\mathbf{w} \frac{\mathbf{w}^T \Sigma_1 \mathbf{w}}{\mathbf{w}^T \Sigma_2 \mathbf{w}}\]

滤波后的信号方差（log-variance）作为特征，再送入 LDA。

FBCSP（Filter Bank CSP）

Ang et al. 2008 扩展：

1. 把信号分成多个频带（4–40 Hz，步长 4 Hz）
2. 每个频带独立做 CSP
3. 合并所有频带的 CSP 特征
4. 特征选择（mutual information）
5. LDA 或 SVM 分类

FBCSP 在 BCI Competition IV 2a 夺冠，长期作为 EEG MI-BCI 标杆。

五、Riemannian 几何

把 EEG 试次的协方差矩阵 \(\mathbf{C}_i \in \mathbb{R}^{d \times d}\) 看作对称正定流形（SPD manifold） 上的点，用流形距离分类。

关键操作

• Log 映射：把 SPD 矩阵映到切空间
• Riemannian mean：流形上的中心
• MDM（Minimum Distance to Mean）：分类器就是"到哪个类均值最近"

表现

Barachant et al. 2012 IEEE TBME 首次把 Riemannian 方法应用于 BCI： - 在 BCI Competition IV 上 击败 FBCSP - 无需通道选择、频带选择 - 跨被试迁移好

pyRiemann 是目前最流行的开源实现。

六、特征选择

高维 EEG 特征常需特征选择减少过拟合：

Filter 方法

基于特征与标签的关系独立评分： - Fisher score - Mutual information - ReliefF

Wrapper 方法

• Sequential Forward/Backward Selection
• 每次加/减一个特征看分类性能

Embedded 方法

• L1 正则化（LASSO）：训练时自动置零
• 弹性网：L1 + L2

稳定特征选择

Nogueira & Brown 2016 提出 stability selection——对多个 bootstrap 训练集选特征，保留高稳定度的。

七、P300 与 SSVEP 的特殊方法

P300 分类器

• SWLDA（Stepwise Wise LDA）：Bender 1988，P300 拼写器标准
• xDAWN 空间滤波：提升 P300 信噪比

SSVEP 分类器

CCA（Canonical Correlation Analysis） 是 SSVEP 的经典方法：

\[\rho = \max \text{corr}(X\mathbf{a}, Y\mathbf{b})\]

其中 \(X\) 是 EEG，\(Y\) 是参考正弦/余弦模板。哪个频率对应最大 \(\rho\) 就是用户选择。

扩展： - FBCCA（滤波器组 CCA）：Chen 2015，多频带集成 - TRCA（Task-Related Component Analysis）：利用多试次模板

八、在现代 BCI 中的位置

线性判别和特征选择是消费级/非侵入 BCI 的主力：

• Muse 冥想器：α/β/γ 带功率 + LDA 分类
• Emotiv Cortex：基于频带功率的状态分类
• OpenBCI：CSP + LDA 教学标准

也是深度学习方法的基线——任何新 EEG 深度网络必须超过 shrinkage-LDA 才有意义。

九、与深度学习的比较

场景	线性判别	深度学习
少数据 (<500 试次)	✓ 更好	过拟合
大数据 (>10000)	瓶颈	✓ 更好
跨被试迁移	Riemannian 好	✓ 更好
可解释	✓ 高	低
在线	✓ 快	需优化

现代混合策略：Riemannian 特征 + 浅层 CNN，或 EEGNet + shrinkage LDA 头——融合两者优势。

十、逻辑链

1. EEG BCI 是小数据问题，传统统计方法因此反而占优。
2. LDA + shrinkage 是 EEG 分类的基础方法。
3. CSP / FBCSP 是运动想象 BCI 多年金标准。
4. Riemannian 几何 把协方差矩阵视为流形点，提供更强跨被试能力。
5. 深度学习超越经典方法仍需大数据；小数据场景下特征工程 + 线性分类器仍是最佳选择。

参考文献

• Blankertz et al. (2011). Single-trial analysis and classification of ERP components—a tutorial. NeuroImage. — shrinkage LDA
• Ang et al. (2008). Filter Bank Common Spatial Pattern (FBCSP) in brain-computer interface. IJCNN.
• Barachant et al. (2012). Multi-class brain-computer interface classification by Riemannian geometry. IEEE TBME. https://ieeexplore.ieee.org/document/6046114
• Chen et al. (2015). Filter bank canonical correlation analysis for implementing a high-speed SSVEP-based brain-computer interface. J Neural Eng.
• Lotte et al. (2018). A review of classification algorithms for EEG-based brain-computer interfaces: a 10 year update. J Neural Eng.

---

评论