摘要
基于脑电图（ECoG）的脑机接口（Brain-Machine Interface, BMI）中，运动预测是一项极具挑战性的研究课题。若能实现精准的运动预测，将为机器人臂或机械手等设备提供高精度的控制指令。鉴于脑机接口（BCI）领域对该问题日益增长的关注，第四届BCI竞赛发布了一项数据集，其目标是基于ECoG信号预测个体手指的运动。该问题的难点在于，ECoG信号与手指运动之间并不存在简单的映射关系。本文提出一种基于隐状态控制的切换模型（switching models），用于估计与解码手指的屈曲运动。此类模型能够融合对解码问题的先验知识，从而提升对精细、精确运动的预测能力。本模型由两个主要模块构成：第一模块用于判断当前正在运动的手指，第二模块则在已知目标手指的前提下，预测其余所有手指的运动状态。提交至竞赛的数值结果表明，当隐状态估计较为准确时，该模型展现出优异的解码性能。在第四届BCI竞赛中，该方法取得了第二名的成绩，其实测运动与预测运动之间的相关系数达到0.42。