表 5. Feature extraction and classification algorithm comparison of speech imagery BCI system.

言语想象BCI系统的特征提取及分类算法比较

文献	材料	特征提取及分类	准确率
注：表中第二列若没有引用参考文献，代表此篇论文使用的数据为作者所采集；若有文献引用，则此篇论文使用的数据为所引用的文献数据
DaSalla等[45]，2009	元音：/a/和/u/	CSP； SVM	配对二分类（平均）： /a/与空闲状态72.33%， /u/与空闲状态78.00%， /a/与/u/62.67%
Riaz等[35]，2015	元音：/a/和/u/[45]	MFCC； KNN	配对二分类（平均）： /a/与空闲状态75.00%， /u/与空闲状态93.83%， /a/与/u/91.83%
Iqbal等[69]，2016	元音：/a/和/u/[45]	均值、标准差； 线性分类器	配对二分类（平均）： /a/与空闲状态94.17%， /u/与空闲状态100.00%， /a/与/u/95.00%
Zhao等[66]，2015	音位或音节：/iy/、/uw/、/piy/、/tiy/、/diy/、/m/和/n/； 单词：“pat”、“pot”、“knew”和“gnaw”	均值、中值、标准差等时域统计特征； SVM	语音类别二分类： 平均55.40%， 最高79.16%
Sun等[96]，2016	音位或音节：/iy/、/uw/、/piy/、/tiy/、/diy/、/m/和/n/； 单词：“pat”、“pot”、“knew”和“gnaw”[66]	神经网络（neural networks，NN）	语音类别二分类： 平均69.80%， 最高87.00%
Saha等[89]，2019	音位或音节：/iy/、/uw/、/piy/、/tiy/、/diy/、/m/和/n/； 单词：“pat”、“pot”、“knew”和“gnaw”[66]	基于通道的协方差矩阵； CNN、LSTM、深度自编码器（deep auto encoder，DAE）、XGBoost算法（extreme gradient boost）	语音类别二分类： 平均77.90%， 最高85.23%
Bakhshali等[78]，2020	音位或音节：/iy/、/uw/、/piy/、/tiy/、/diy/、/m/和/n/； 单词：“pat”、“pot”、“knew”和“gnaw”[66]	基于相关熵谱密度的黎曼距离； KNN	语音类别二分类： 平均77.39%， 最高86.52%
Cooney等[74]，2018	音位或音节：/iy/、/uw/、/piy/、/tiy/、/diy/、/m/和/n/； 单词：“pat”、“pot”、“knew”和“gnaw”[66]	MFCC； SVM	十一分类： 平均20.80%， 最高33.33%
Panachakel等[97]，2019	音节：/iy/、/uw/、/piy/、/tiy/、/diy/、/m/和/n/；单词：“pat”、“pot”、“knew”和“gnaw”[66]	DWT； DNN	十一分类： 平均57.15%， 最高84.23%
Coretto等[58]，2017	五个元音：/a/、/e/、/i/、/o/和/u/；六个西班牙单词：“arriba”、“abajo”、“izquierda”、“derecho”、“adelante”和“atras”对应汉语为上、下、左、右、 前、后	DWT； RF	元音五分类： 平均22.32%； 单词六分类： 平均18.58%
Garcia-Salinas等[77]，2018	六个西班牙单词：“arriba”、“abajo”、“izquierda”、“derecho”、“adelante”和“atras”[58]	张量分解； SVM	单词六分类： 平均59.70%
Cooney等[87]，2019	五个元音：/a/、/e/、/i/、/o/和/u/[58]	CNN，迁移学习	元音五分类： 平均35.68%
Cooney等[98]，2020	五个元音：/a/、/e/、/i/、/o/和/u/；六个西班牙单词：“arriba”、“abajo”、“izquierda”、“derecho”、“adelante”和“atras”[58]	浅层CNN，深层CNN，EEGNet	元音五分类： 平均30.00%； 单词六分类： 平均24.97%