01

研究背景

此文旨在脑机接口（BCI）方向上尝试新的分析方法。在导引中宣称小波（Wavelet）分析方法还没有被用来分析NIRS平台下的运动想象BCI范式上。小波分析可以看作是对傅里叶分析的改良，基本思想是利用非全局性的小波函数拟合信号（一维二维均可）。此文利用小波分析来解析信号以判断运动想象和静息态，分类器使用支持向量机（SVM），二分类正确率为0.83（PS:有点低）。
 

02

研究方法
 

2.1、被试

被试共五人，年龄在24-34之间，性别不详。
 

2.2、设备配置

设备使用8导ISS Imagent，包含两个探测器和8个光源。电极配置如下图，使用10-20系统。光源波长为690nm和830nm两种模式，一个光源采样频率为6.25Hz。

2.3、实验流程
 

流程如图，被试根据箭头执行相应手的运动想象，想象动作为抓取。一个trial做10次运动想象，持续15s；休息10次，持续60s。整体实验开始前测量60s的静息态。
 

2.4、分析方法

对测量的原始数据，即不同波长光源的衰减程度，做小波变换。小波函数及参数如下

分解出来的细节系数和近似系数当作特征丢入SVM。SVM评价采用留一法做交叉验证，SVM的核函数是线性核函数。
 

03

研究结论

此文使用小波分析来提取NIRS的特征进而判别二分类的运动想象任务，宣称可以有效提取不同任务的特征，最高正确率能到0.85左右。

Motor Imagery Detection with Wavelet Analysis for NIRS-based BCI. Bonkon Koo et al. Brain Imagin Device.无DOI