脑电通道选择 ¶
参考： 基于脑电信号的通道选择研究综述 A review of channel selection algorithms for EEG signal processing
背景：虽然增加电极数能够提升对 EEG 信号的空间采集能力，但同时也会带来较高的采集成本，并影响受试者的体验。而在特定应用场景下，如对于配备人脸认证设备、脑控无人机以及大脑状态监测仪器等的便携式 BCI 系统来说，通道选择尤为重要。此外，在 EEG 信号 的解码流程中，噪声较多的通道会引入冗余信息，进而降低 BCI 的识别率。因此，探索如何减少通道数，以提高 BCI 系统的可扩展性和提升受试者的体验感是一个重要的研究课题。
传统的通道选择方法¶
通过计算通道信号间的皮尔逊相关性系数（Pearson correlation coefficient，PCC）来衡量它们之间的相关程度。
基于启发式算法的通道选择方法¶
基于单目标启发式算法的通道选择方法：粒子群优化算法、遗传算法、熵与二元引力搜索算法。
基于多目标启发式算法的通道选择方法：花里胡哨的适应度函数。
基于深度学习的通道选择方法¶
通道推理模块（channel active reasoning modele,CARM），提出了基于图的通道选择方法：边选择和聚合选择。
深度学习分类方法，通常在训练过程的损失函数中添加惩罚项来平衡训练数据的拟合程度和特征复杂性。但这种方法无法给定特征数量，导致训练成本较高。为了解决特征数量问题，Strypsteen等提出基于甘贝尔分布的
归一化指数（Gumbel softmax）通道选择方法，在神经网络模型中引入了通道选择层。其中，通道选择层中每个神经元由学习向量参数化，通过计算所有通道的权重向量，选出分类效果较好的通道。同时，该方法使用正则化
函数在所选通道概率之和超过阈值时进行惩罚，以去除被重复选择的通道。
