1）摘要
脑电图（EEG）是一种极其有潜力的脑机接口（BCI）媒介，这种技术拥有潜在的非凡应用，如外骨骼的直接控制。然而，有效的分析和建模的EEG数据受限于空间分辨率低。脑电图的低振幅，短暂和散发性，加上额外的颅噪声，额外增加了这个问题的难度。这一系统的分析提供了强有力的证据，以指导今后的研究机器学习应用于实时分析大脑状态使用脑电图。本研究的主要目的是了解训练模型中使用的数据集的构造是如何影响显著的机器学习算法的准确性的，具体而言：随机森林、Boosting、朴素贝叶斯分类器、k-近邻（KNN）和支持向量机（SVM）。在这里，我们提出了一个系统的方法（N = 153）来测试潜在极其学习算法的准确性，这里训练数据集分成三个主要部分：对象的排列，用于生成训练数据集的独特数据集的数目，以及每个训练数据集中的样本数。我们的研究结果有力地表明，与其他著名的机器学习算法相比，在分析EEG数据时，随机森林总是能产生比较好的结果。此外，对脑电图数据分析的平均归一化特征进行了试验研究。试点调查（N＝28）证实了随机森林在脑电图数据中的分析优势，显示了提高准确性的迹象，并确定β波和δ波及其各自活跃或空闲的脑状态之间的显著相关性。