Brain computer interface systems decode brain activities from electroencephalogram (EEG) signals and translate the user’s intentions into commands to control and/or communicate with augmentative or assistive devices without activating any muscle or peripheral nerve. In this paper, we aimed to improve the accuracy of these systems using improved EEG signal processing techniques through a novel evolutionary approach (fusion-based preprocessing method). This approach was inspired by chromosomal crossover, which is the transfer of genetic material between homologous chromosomes. In this study, the proposed fusion-based preprocessing method was applied to an open access dataset collected from 29 subjects. Then, features were extracted by the autoregressive model and classified by k-nearest neighbor classifier. We achieved classification accuracy (CA) ranging from 67.57 to 99.70% for the detection of binary mental arithmetic (MA) based EEG signals. In addition to obtaining an average CA of 88.71%, 93.10% of the subjects showed performance improvement using the fusion-based preprocessing method. Furthermore, we compared the proposed study with the common average reference (CAR) method and without applying any preprocessing method. The achieved results showed that the proposed method provided 3.91% and 2.75% better CA then the CAR and without applying any preprocessing method, respectively. The results also prove that the proposed evolutionary preprocessing approach has great potential to classify the EEG signals recorded during MA task.

脑机接口系统从脑电图 (EEG) 信号中解码大脑活动，并将用户的意图转化为命令，以控制和/或与增强或辅助设备进行通信，而无需激活任何肌肉或周围神经。在本文中，我们旨在通过一种新的进化方法（基于融合的预处理方法）使用改进的 EEG 信号处理技术来提高这些系统的准确性。这种方法的灵感来自染色体交叉，即同源染色体之间遗传物质的转移。在这项研究中，所提出的基于融合的预处理方法应用于从 29 名受试者收集的开放访问数据集。然后，通过自回归模型提取特征并通过k-最近邻分类器进行分类。我们在检测基于二元心算 (MA) 的 EEG 信号方面实现了 67.57% 到 99.70% 的分类准确度 (CA)。除了获得 88.71% 的平均 CA 外，93.10% 的受试者使用基于融合的预处理方法表现出性能提升。此外，我们将所提出的研究与共同平均参考（CAR）方法进行了比较，并且没有应用任何预处理方法。取得的结果表明，与 CAR 相比，所提出的方法分别提供了 3.91% 和 2.75% 的 CA，并且没有应用任何预处理方法。结果还证明，所提出的进化预处理方法具有对 MA 任务期间记录的 EEG 信号进行分类的巨大潜力。除了获得 88.71% 的平均 CA 外，93.10% 的受试者使用基于融合的预处理方法表现出性能提升。此外，我们将所提出的研究与共同平均参考（CAR）方法进行了比较，并且没有应用任何预处理方法。取得的结果表明，与 CAR 相比，所提出的方法分别提供了 3.91% 和 2.75% 的 CA，并且没有应用任何预处理方法。结果还证明，所提出的进化预处理方法具有对 MA 任务期间记录的 EEG 信号进行分类的巨大潜力。除了获得 88.71% 的平均 CA 外，93.10% 的受试者使用基于融合的预处理方法表现出性能提升。此外，我们将所提出的研究与共同平均参考（CAR）方法进行了比较，并且没有应用任何预处理方法。取得的结果表明，与 CAR 相比，所提出的方法分别提供了 3.91% 和 2.75% 的 CA，并且没有应用任何预处理方法。结果还证明，所提出的进化预处理方法具有对 MA 任务期间记录的 EEG 信号进行分类的巨大潜力。我们将提议的研究与共同平均参考（CAR）方法进行了比较，并且没有应用任何预处理方法。取得的结果表明，与 CAR 相比，所提出的方法分别提供了 3.91% 和 2.75% 的 CA，并且没有应用任何预处理方法。结果还证明，所提出的进化预处理方法具有对 MA 任务期间记录的 EEG 信号进行分类的巨大潜力。我们将提议的研究与共同平均参考（CAR）方法进行了比较，并且没有应用任何预处理方法。取得的结果表明，与 CAR 相比，所提出的方法分别提供了 3.91% 和 2.75% 的 CA，并且没有应用任何预处理方法。结果还证明，所提出的进化预处理方法具有对 MA 任务期间记录的 EEG 信号进行分类的巨大潜力。