159.CSP 共空间模式：CSP 是运动想象脑电中最经典的空间滤波算法之一。它的核心思想是寻找一组空间滤波器，使一类信号投影后的方差最大，同时让另一类信号投影后的方差最小。对二分类 MI 任务很有效，例如左手想象和右手想象分类。CSP 的输出通常不是直接分类结果，而是一组空间滤波后的信号特征，后面还需要接 LDA、SVM 等分类器。

160.FBCSP 滤波共空间模式：FBCSP 是 Filter Bank Common Spatial Pattern 的缩写，可以理解为“滤波器组 + CSP”。它先把 EEG 分成多个频带，例如 4–8 Hz、8–12 Hz、12–16 Hz 等，再在每个频带上分别计算 CSP 特征，最后进行特征选择和分类。它适合 MI 任务，因为不同受试者的运动想象相关节律频段不完全相同。FBCSP 是传统 MI-BCI 方法中的强基线，但不能简单说成所有传统算法的绝对上限。

161.空域滤波：空域滤波是对多个 EEG 电极信号进行加权组合的方法。它不是在时间维度或频率维度上滤波，而是在通道维度上重组信号。目的是增强与任务相关的脑区活动，削弱噪声通道和无关脑区信号。CSP、ICA、Laplacian 滤波都可以看作空域滤波思想的具体实现。

162.频域滤波器组：频域滤波器组是由多组带通滤波器组成的信号处理模块。它会把同一段 EEG 分解到多个频率范围中，例如 theta、alpha、beta 或更细的子频带。这样做的原因是脑电任务相关信息往往集中在特定频段，但不同人、不同任务的有效频段可能不同。FBCSP 中的 Filter Bank 就是典型的频域滤波器组。

163.ICA 独立成分分析：ICA 是一种盲源分离方法，用来把混合在 EEG 通道中的多个信号源分离出来。它假设观测到的 EEG 是多个相互独立源信号的线性混合。实际使用中，ICA 常用于去除眼电、肌电、心电等伪迹成分。它不是专门为分类设计的算法，更常作为 EEG 预处理步骤。

164.特征提取：特征提取是从原始 EEG 中计算出更适合分类或分析的信息表示。原始 EEG 维度高、噪声多，直接输入传统分类器通常效果不好。常见特征包括时域均值、方差、频带功率、CSP 特征、协方差矩阵特征等。特征提取的目标是保留任务相关信息，同时减少无关波动。

165.特征降维：特征降维是把高维特征压缩到低维空间的过程。它可以减少冗余特征，降低计算量，并缓解小样本 EEG 中常见的过拟合问题。PCA、LDA、t-SNE、自动编码器都可以用于降维，但用途不同。PCA 常用于保留主要方差信息，LDA 更关注类别区分性，t-SNE 主要用于可视化。

166.PCA 主成分分析：PCA 是经典的线性降维方法。它通过寻找方差最大的方向，把原始高维数据投影到少数几个主成分上。PCA 不使用类别标签，所以属于无监督降维方法。在 EEG 中，PCA 可以用于压缩特征、去除冗余，也可以作为后续分类器的前处理步骤。

167.t-SNE：t-SNE 是一种非线性降维方法，常用于把高维特征映射到二维或三维空间进行可视化。它强调保持局部邻域结构，所以常用来观察不同类别特征是否形成聚类。脑机接口论文中，t-SNE 经常用于展示模型提取特征后的类别可分性。需要注意的是，t-SNE 主要用于可视化，不适合作为严格的分类性能证据。

168.分类器：分类器是根据输入特征判断类别的模型。在 BCI 中，分类器可以判断用户是在想象左手、右手、脚，或者判断用户注视的是哪个 SSVEP 目标。传统分类器包括 LDA、SVM、KNN、贝叶斯分类器等。深度学习模型也可以包含分类器部分，例如最后的全连接层加 Softmax。

169.SVM 支持向量机：SVM 是传统机器学习中常用于小样本分类的模型。它的核心思想是在特征空间中寻找一个分类间隔最大的超平面。对于 EEG 这种样本数少、特征维度较高的数据，SVM 经常能取得稳定效果。SVM 还可以通过核函数处理非线性分类问题，例如使用高斯核把数据映射到更高维空间。

170.LDA 线性判别分析：LDA 是一种轻量级线性分类方法，也可以看作监督降维方法。它寻找一个投影方向，使不同类别之间的距离尽量大，同一类别内部的离散程度尽量小。LDA 在 MI-BCI 中常和 CSP 搭配使用，即先用 CSP 提取空间特征，再用 LDA 分类。它参数少、计算快，适合在线 BCI 系统。

171.特征标准化 Z-score：Z-score 标准化是把特征转换为均值为 0、标准差为 1 的形式。计算方式是用每个特征减去均值，再除以标准差。它可以消除不同特征量纲和幅值范围差异，使分类器不会过度偏向数值较大的特征。在 EEG 中，不同通道、不同频带、不同受试者的幅值差异明显，所以标准化很常用。

172.白化处理：白化处理是一种让特征去相关并统一方差的变换。经过白化后，不同特征维度之间的线性相关性会被削弱，每个维度的方差通常被归一化为 1。在 CSP 中，白化常用于对协方差矩阵进行预处理，使后续特征分解更稳定。白化不是简单的标准化，它还涉及特征之间相关性的消除。

173.稀疏主成分分析 SPCA：SPCA 是在 PCA 基础上加入稀疏约束的降维方法。普通 PCA 的主成分通常由所有原始特征共同构成，解释性较弱。SPCA 会让每个主成分只依赖少数重要特征，因此更容易解释。对于 EEG 特征分析来说，SPCA 有助于筛选出更关键的通道、频段或统计特征。

174.线性投影：线性投影是把高维数据通过线性变换映射到低维空间的方法。CSP、LDA、PCA 都可以理解为寻找某种线性投影方向。不同算法的目标不同，PCA 最大化方差，LDA 最大化类别可分性，CSP 最大化两类信号方差差异。线性投影计算效率高，但对复杂非线性关系的表达能力有限。

175.核 CSP：核 CSP 是 CSP 的非线性扩展。传统 CSP 假设数据在原始空间中可以通过线性空间滤波获得良好区分，而核 CSP 通过核函数把数据隐式映射到高维特征空间，再进行类似 CSP 的特征提取。它可以处理部分非线性可分问题。缺点是计算复杂度更高，也更容易受到核函数选择和参数设置影响。

176.正则化 CSP RCSP：RCSP 是加入正则化约束的 CSP 方法。标准 CSP 在小样本条件下容易过拟合，因为协方差矩阵估计不稳定。RCSP 通过对协方差矩阵或空间滤波器加入约束，提高估计稳定性。它常用于训练数据较少、噪声较大或跨受试者差异明显的 MI-BCI 场景。

177.多类 CSP：标准 CSP 主要用于二分类任务。多类 CSP 是把 CSP 扩展到三类、四类或更多类别 MI 任务的方法。常见做法包括 one-vs-rest、one-vs-one，以及联合近似对角化等策略。多类 CSP 比二分类 CSP 更复杂，因为需要同时处理多个类别之间的空间方差差异。

178.特征选择：特征选择是从已有特征中筛选出一部分更有用的特征。它不改变特征本身的含义，而是选择保留哪些特征。EEG 特征通常数量很多，包括多个通道、多个频带、多个时间窗，如果全部使用可能导致冗余和过拟合。特征选择可以提高分类稳定性，也能降低模型计算量。

179.过滤式特征选择：过滤式特征选择不依赖具体分类器，而是根据统计指标快速筛选特征。常用指标包括方差、相关系数、互信息、Fisher 分数、卡方检验等。它计算速度快，适合高维特征初筛。缺点是它不直接考虑分类器的最终性能，所以选出的特征不一定对某个具体模型最优。

180.包裹式特征选择：包裹式特征选择会把分类器性能作为特征子集好坏的评价标准。它会不断尝试不同特征组合，用分类准确率或交叉验证结果来选择特征。相比过滤式方法，它更贴近最终分类目标。缺点是计算量大，尤其在 EEG 特征维度较高时容易耗时，也可能在小样本上过拟合。

181.聚类分析：聚类分析是一类无监督学习方法，用来把没有标签的数据自动分成若干组。它根据样本之间的相似性进行分组，而不是根据人工给定类别训练模型。在 EEG 分析中，聚类可以用于探索特征分布、发现受试者差异、观察试次之间的相似性。聚类结果需要谨慎解释，因为它不一定对应真实生理类别。

182.KNN 近邻分类：KNN 是一种基于距离的分类器。它不需要显式训练模型，而是在预测时寻找距离测试样本最近的 K 个训练样本，再根据这些邻居的类别投票得到结果。KNN 简单直观，适合小规模数据。它对特征尺度和距离度量很敏感，所以使用前通常需要标准化特征。

183.贝叶斯分类器：贝叶斯分类器基于概率模型进行分类。它利用先验概率和条件概率计算样本属于各个类别的后验概率，然后选择概率最大的类别。朴素贝叶斯是假设各个特征条件独立的简化版本。贝叶斯方法可以输出类别置信度，但如果概率分布假设与真实 EEG 数据差异较大，性能会受影响。

184.集成学习：集成学习是把多个模型的结果组合起来获得最终预测的方法。它的目标是降低单一模型的不稳定性，提高分类鲁棒性。常见策略包括投票、平均、加权融合、Bagging 和 Boosting。在 EEG 中，集成学习可以融合不同频带、不同通道组、不同分类器的结果。

185.Bagging 袋装集成：Bagging 是一种并行式集成学习方法。它通过对训练集进行有放回采样，构建多个不同的子训练集，再分别训练多个模型，最后通过投票或平均得到结果。随机森林就是 Bagging 思想的典型代表。Bagging 主要用于降低模型方差，提高稳定性。

186.Boosting 提升集成：Boosting 是一种串行式集成学习方法。它会依次训练多个弱分类器，每一轮更关注前一轮分错的样本。最终多个弱分类器按权重组合成一个强分类器。AdaBoost、Gradient Boosting、XGBoost 都属于这一类思想。Boosting 通常能提高性能，但对噪声标签和异常样本较敏感。

187.特征融合：特征融合是把不同来源或不同类型的特征组合成一个统一表示。EEG 中可以融合时域特征、频域特征、时频特征、空间特征和协方差特征。融合方式可以是直接拼接，也可以是加权融合或模型内部融合。特征融合的目的不是简单增加维度，而是让分类器同时利用互补信息。

188.多视图特征：多视图特征是指从多个角度描述同一段 EEG 数据的特征。时间视图关注波形变化，频率视图关注功率谱和节律，空间视图关注通道分布，时频视图关注频率随时间的变化。多视图特征适合 EEG，因为脑电信号本身具有时间、频率和空间三重属性。实际建模中，多视图特征可以提升信息完整性，但也会增加维度和过拟合风险。

189.时序统计特征：时序统计特征是直接从 EEG 时间序列中计算的统计量。常见指标包括均值、方差、标准差、偏度、峰度、峰峰值、过零率等。它们可以描述信号幅值分布、波动强度和形态特征。时序统计特征计算简单，但对复杂神经活动的表达能力有限，通常会和频域或空间特征联合使用。

190.频域统计特征：频域统计特征是从 EEG 频谱中提取的统计信息。常见特征包括各频段功率、相对功率、功率谱密度、频谱熵、主频、频带能量比等。在 MI 任务中，alpha 和 beta 频段功率变化很重要；在 SSVEP 任务中，刺激频率及其谐波处的能量更关键。频域统计特征能反映脑节律活动，是 EEG 分类中非常常用的一类特征。

191.SPD 对称正定矩阵：SPD 是 Symmetric Positive Definite 的缩写，指对称正定矩阵。在 EEG 中，多通道信号的协方差矩阵通常可以被看作 SPD 矩阵。协方差矩阵描述了不同通道之间的相关关系，因此包含空间信息。黎曼几何方法常把 EEG 协方差矩阵作为基本对象，而不是把它简单拉平成普通向量。

192.黎曼流形：黎曼流形是带有几何度量的弯曲空间。SPD 协方差矩阵并不适合直接用普通欧氏空间方法处理，因为它们构成的是一个非欧氏几何空间。黎曼几何方法会在这个空间中定义距离、均值和分类规则。对于 EEG 协方差特征来说，黎曼流形方法能更自然地处理矩阵结构。

193.黎曼均值：黎曼均值是在流形空间中定义的平均值。它不是简单地对矩阵元素逐个求平均，而是根据流形上的距离找到一个几何中心。对于 EEG 协方差矩阵，黎曼均值可以作为某一类别或某一受试者协方差分布的代表。它在跨试次和跨受试者分析中较常用，因为它尊重 SPD 矩阵的几何结构。

194.测地线距离：测地线距离是流形空间中两点之间的最短路径长度。普通欧氏距离是在平直空间中计算直线距离，而测地线距离是在弯曲空间中沿流形表面计算距离。对于 SPD 矩阵，测地线距离可以更合理地衡量两个协方差矩阵之间的差异。黎曼分类器常用这类距离来判断样本更接近哪个类别中心。

195.黎曼分类器：黎曼分类器是在 SPD 流形空间中直接进行分类的方法。典型方法是 MDM，即最小距离到均值分类器。它会先计算每个类别的黎曼均值，然后把测试样本分到距离最近的类别。黎曼分类器结构简单，参数少，在小样本 EEG 场景中常有较好稳定性。

196.对数欧氏距离：对数欧氏距离是一种简化 SPD 矩阵距离计算的方法。它先对 SPD 矩阵做矩阵对数变换，把流形上的点映射到一个更接近欧氏空间的表示中，再用欧氏距离计算差异。相比严格的仿射不变黎曼距离，对数欧氏距离计算更简单。它在保留部分流形结构的同时降低了计算复杂度。

197.仿射不变距离：仿射不变距离是 SPD 流形上常用的一种距离度量。它的特点是对可逆线性变换保持不变，也就是说，数据经过某些线性坐标变换后，矩阵之间的距离关系仍保持一致。在 EEG 中，这种性质有助于减少通道线性混合变化带来的影响。它通常比普通欧氏距离更适合协方差矩阵，但计算成本也更高。

198.核空间映射：核空间映射是把原始特征映射到高维甚至无限维特征空间的方法。很多时候，数据在原始空间中线性不可分，但映射到高维空间后可能变得更容易分开。核方法通常不显式计算高维映射，而是通过核函数直接计算样本之间的内积。SVM、核 PCA、核 CSP 都可以使用核空间映射思想。

199.高斯核 / 多项式核 / Sigmoid 核：这些是机器学习中常见的核函数。高斯核也叫 RBF 核，能处理复杂非线性关系，是 SVM 中最常用的核函数之一。多项式核通过多项式形式建模特征之间的高阶关系。Sigmoid 核形式上与神经网络中的激活函数有关，但在实际使用中需要注意参数设置，否则核矩阵可能不稳定。

200.弹性网正则：弹性网正则是 L1 正则和 L2 正则的组合。L1 正则会促使部分特征权重变为 0，因此具有特征选择作用；L2 正则会限制权重过大，使模型更稳定。弹性网同时利用二者优点，适合特征多、相关性强、小样本的情况。在 EEG 特征建模中，它可以减少冗余特征影响，并降低过拟合风险。

=================================作者声明==================================

个人整理，切勿抄袭，知识有限，求真辨别，共同学习，互相进步，持续更新，欢迎关注