主体依存および主体独立の運動イメージのEEG解読のためのグラフベースの特徴学習方法

科学分野:

• 神経科学
• 機械学習
• 生物医学工学

背景:

• 頭皮の電気脳波 (EEG) 分析は,脳とコンピュータのインターフェース (BCI) の動作を阻害する高変性による課題に直面しています.
• 既存の特徴学習方法は,しばしば不完全で差異性のある特徴空間を生み出し,EEG分類の精度を制限します.

研究 の 目的:

• 対象に依存したBCIと対象に依存しないBCIの両方で改善されたモーターイメージの解読のための新しいグラフベースの機能学習方法を導入する.
• EEGの多様性を扱う現在の方法の限界に対処し,特徴の差別性を高める.

主な方法:

• 時間周波数単位から空間と脳ネットワークのグラフ機能を融合させ,包括的な時間周波数空間 (TFSG) 機能の構築.
• 差別的な TFSG 機能空間を学習するために,ログ 正規化とフィッシャーの基準 正規化による2つの高度な正規化方法の開発.
• 提案された最適化モデルの解決のための統一アルゴリズムフレームワーク.

主要な成果:

• TFSGの機能空間は,個体内および個体間のEEGの変動を効果的に取り入れています.
• 最高の平均分類精度: 82.93% (対象依存),68.52% (対象独立),71.69% (対象適応).
• 対象に依存し,対象に依存しない解読性能の両方において顕著な改善が示された.

結論:

• 提案されたグラフベースの特徴学習方法は,BCIにおけるモーター画像の解読精度を大幅に改善します.
• TFSGの機能と高度な正規化モデルは,機能スペースの包括性と差別性を高め,BCIのパフォーマンスを向上させます.