Motor imagery (MI) based brain–computer interfaces help patients with movement disorders to regain the ability to control external devices. Common spatial pattern (CSP) is a popular algorithm for feature extraction in decoding MI tasks. However, due to noise and nonstationarity in electroencephalography (EEG), it is not optimal to combine the corresponding features obtained from the traditional CSP algorithm. In this paper, we designed a novel CSP feature selection framework that combines the filter method and the wrapper method. We first evaluated the importance of every CSP feature by the infinite latent feature selection method. Meanwhile, we calculated Wasserstein distance between feature distributions of the same feature under different tasks. Then, we redefined the importance of every CSP feature based on two indicators mentioned above, which eliminates half of CSP features to create a new CSP feature subspace according to the new importance indicator. At last, we designed the improved binary gravitational search algorithm (IBGSA) by rebuilding its transfer function and applied IBGSA on the new CSP feature subspace to find the optimal feature set. To validate the proposed method, we conducted experiments on three public BCI datasets and performed a numerical analysis of the proposed algorithm for MI classification. The accuracies were comparable to those reported in related studies and the presented model outperformed other methods in literature on the same underlying data.

中文翻译：

---

基于运动图像的脑机接口结合过滤器和包装器方法的特征选择

基于运动想象 (MI) 的脑机接口可帮助运动障碍患者重新获得控制外部设备的能力。通用空间模式（CSP）是在解码 MI 任务中用于特征提取的流行算法。然而，由于脑电图（EEG）中的噪声和非平稳性，将传统CSP算法获得的相应特征组合起来并不是最优的。在本文中，我们设计了一种新颖的 CSP 特征选择框架，它结合了过滤器方法和包装器方法。我们首先通过无限潜在特征选择方法评估每个 CSP 特征的重要性。同时，我们计算了不同任务下相同特征的特征分布之间的 Wasserstein 距离。然后，我们根据上面提到的两个指标重新定义了每个 CSP 特征的重要性，根据新的重要性指标消除一半的CSP特征以创建新的CSP特征子空间。最后，我们通过重建其传递函数设计了改进的二元引力搜索算法（IBGSA），并将IBGSA应用于新的CSP特征子空间以找到最优特征集。为了验证所提出的方法，我们在三个公共 BCI 数据集上进行了实验，并对所提出的 MI 分类算法进行了数值分析。准确性与相关研究中报告的准确性相当，并且所提出的模型在相同的基础数据上优于文献中的其他方法。我们通过重建其传递函数设计了改进的二元引力搜索算法（IBGSA），并将IBGSA应用于新的CSP特征子空间以找到最佳特征集。为了验证所提出的方法，我们在三个公共 BCI 数据集上进行了实验，并对所提出的 MI 分类算法进行了数值分析。准确性与相关研究中报告的准确性相当，并且所提出的模型在相同的基础数据上优于文献中的其他方法。我们通过重建其传递函数设计了改进的二元引力搜索算法（IBGSA），并将IBGSA应用于新的CSP特征子空间以找到最佳特征集。为了验证所提出的方法，我们在三个公共 BCI 数据集上进行了实验，并对所提出的 MI 分类算法进行了数值分析。准确性与相关研究中报告的准确性相当，并且所提出的模型在相同的基础数据上优于文献中的其他方法。