特徵訊號分類是基於腦電訊號根據不同的運動或意識能使腦電活動產生不同響應的特性，確定運動或意識的型別與特徵訊號之間的關係。訊號分類結果的好壞取決於兩個方面的因素：一是要進行分類的特徵訊號是否具有明顯的特徵，即特徵訊號的性質；二是分類方法是否有效。
集中具有代表性的bci特徵訊號分類有：
人工神經網路是bci系統應用最多的分類器。由於其應用簡單，引數選擇方便，分類效果準確性較高，被廣泛地應用於腦電訊號的分類。
需要指出的是，應用傳統的多層感知器進行訊號分類識別，需要確定合適的隱含神經元數目，在神經網路理論中，隱層神經網路數目的確定，目前還沒有很好的辦法。
這是一種經驗估值方法，他能把eeg訊號轉變成響應的感知狀態的概率，因此允許不同狀態之間以及一些列訓練產生的eeg之間的銜接存在非平穩性。採用多種分類方法綜合分類，能夠顯著提高bci系統的分類效能，準確率和波特率至少可提高8%以上。
在lda中，先為每一類建立概率密度方程式模型，輸入新的資料，計算每一類產生的概率，概率值最大的點對應的類就是輸入資料的類別。
用遺傳演算法對特徵訊號進行分類時，要從檢測到的腦電訊號中提取出大量的特徵訊號（包括有用的特徵訊號和偽特徵訊號），然後通過遺傳演算法去除偽特徵訊號，保留有用的特徵訊號作為驅動訊號。這種演算法的特點是要對特徵訊號進行大量的分析運算，從中找出各種特徵引數，然後從中選取最優的部分，演算法的運算量比較大。
支援向量機(svm)是一種適用於小樣本和高維特徵，並具有很好的泛化能力的分類方法，在bci的分類中應用十分廣泛。其基本原理是通過非線性變換將輸入空間變換到乙個高維空間，然後在這個新空間中求取最優線性分類面。
為縮短使用者的訓練過程，發展了兩種可以緩解小訓練集問題的自適應機器學習方法：直推式支援向量機(transductive support vector machines ， tsvm)和支援向量機後驗概率模型(probabilistic svm，psvm)，它們的主要目的是在減少訓練時間的同時保持bci系統的模式分類效能。
tsvm主要的優點是能夠解決訓練資料和測試資料的分布不同問題。在直推式學習中，tsvm在訓練過程中可使用較少的有標籤樣本和較多的無標籤樣本進行學習，所以能夠比僅有標籤樣本更好地刻畫整個樣本空間上的資料特性，從而使訓練出的分類器具有更好的推廣效能。
目前，tsvm演算法還面臨著一些問題，如計算的複雜性和使用無標籤的資料所引起的目標函式的非凸性，但是，研究結果表明tsvm演算法可以減小腦電非平穩性的影響，並提高分類準確率和減少使用者的訓練時間。
BCI腦機介面4 源訊號產生
包括利用視覺誘發電位 利用事件相關電位 模擬虛擬環境以及自主控制腦電等多種形式 在顯示裝置上顯示多個選項，使用者注視希望選擇的一項，通過對顯示方式進行處理，可以使人在注視不同選項時產生不同的腦電訊號。經典是sutter的腦反應介面的實時bci系統 p300電位是事件相關電位 erp 的一種，其峰值大...
BCI腦機介面1 原理 概念
1 腦機介面bci技術是一種涉及神經科學 訊號檢測 訊號處理 模式識別等多學科的交叉技術。2 bci是一種連線大腦和外部裝置的實時通訊系統。神經科學研究發現，即使神經系統和運動器官由於損傷而喪失作用，只要大腦功能保持正常，則控制指令依然能夠通過腦電訊號從大腦傳輸出來。研究發現，人們在進行某些思維活動...
BCI腦機介面3 關鍵技術 源訊號獲取
源訊號的獲取過程包括訊號的產生 檢測 電極記錄 訊號放大 去噪和數位化處理等。目前bci訊號的獲取主要基於技術相對簡單 費用較為低廉的eeg檢測技術 簡單地講就是腦電圖 還包括功能性磁共振成像fmri 功能性近紅外光譜fnirs 腦磁圖meg。通過表面電極或植入電極獲得腦部生物電為加以放大記錄而獲得...