微美全息科学院（WIMI.US）：互信息赋能运动想象脑电分类，脑机接口精度迎来突破！

在人工智能与神经科学日益融合的时代，脑机接口（Brain-Computer Interface, BCI）正逐步由科研实验室走向产业化应用，从医疗康复到智能控制，脑电信号的精准识别正成为支撑这一技术发展的关键所在。

据悉，纳斯达克上市企业微美全息（WIMI.US），在运动想象脑电信号解码领域取得了一项突破性进展，其自主研发的基于互信息的改进判别滤波器组选择方法，成功解决了传统公共空间模式（CSP）技术频带依赖性强、特征选择不稳定的问题，为提升BCI系统鲁棒性和实用性打开了新的可能性。

据介绍，该技术方法的核心在于通过引入覆盖宽频带的附加子带，并借助互信息（Mutual Information, MI）指标评估滤波器组的判别力，从而动态选取最有用的频段组合，用于提取更具代表性的运动想象脑电特征。与传统的单一CSP方案相比，该方法不仅提升了特征表达能力，还增强了频段选择的智能性和适应性，尤其适用于个体差异显著、信号稳定性差的脑电应用场景。 

在脑机接口研究中，运动想象（Motor Imagery, MI）是一类核心范式，它要求被试者在没有实际肢体动作的前提下，通过想象完成特定肢体的动作，以激活特定脑区的活动，进而通过脑电采集系统提取神经信号并进行识别。

对此，微美全息科学院提出了一种创新性的改进判别滤波器组选择方法。在该技术架构中，首先对原始EEG信号进行多组带通滤波处理，将整个频谱划分为一系列重叠的子带，并在此基础上引入一个覆盖更宽频域范围的附加子带，以确保不遗漏潜在的判别信息。这一设计理念的出发点在于：脑电信号中的运动想象相关特征往往并不局限于传统的μ波段（8–13Hz）或β波段（13–30Hz），而可能分布在更广泛甚至非连续的频域内。

随后，在每一个子带输出信号中，采用CSP和公共空间谱模式（Common Spatial Spectral Pattern, CSSP）方法分别提取时空特征。这两种技术从不同角度提取空间分布与频谱动力学信息，其中CSP更强调空域差异，而CSSP则进一步融合了频域信息，提升了特征表达的多样性。

因此，微美全息该技术的真正亮点则体现在随后的互信息评估与滤波器组选择模块中。借助信息论中用于衡量变量间依赖性的互信息指标，对所有子带特征与类别标签之间的互信息量进行量化评估。

 

通过在多个标准运动想象EEG数据集上的实证测试，在BCI Competition Dataset IV-2a和BCI Competition III Dataset IVa等经典数据集上，该方法在平均分类准确率、Kappa系数和信息传输率方面均取得了领先表现，且在跨被试模型迁移方面表现出更高的鲁棒性。

这一成果表明，微美全息基于互信息的滤波器组选择机制不仅具备良好的特征选择能力，还可有效提升整个BCI系统的稳定性与实用性。

在全球范围内，BCI技术正处于快速发展阶段，脑电解码的精度与鲁棒性已经成为制约BCI应用规模化的关键因素。通过在子带频域空间引入互信息驱动的智能选择机制，并融合传统与谱域特征，极大提升了模型对复杂脑电特征的表达能力，为新一代高性能BCI系统的构建提供了坚实的技术支撑。

可以说，微美全息开发的基于互信息的滤波器组选择方法，不仅推动了运动想象脑电信号分类技术的边界，也为脑电信号处理提供了新的方法范式。随着更多产业场景对脑电智能交互需求的不断增长，未来该技术无疑将在多个领域发挥出越来越广泛的影响力。