運動イメージ脳コンピューターインターフェースのための機能的クラスタリングとグラフ信号処理を用いた次元削減アプローチ

科学分野:

• 神経科学
• コンピューターサイエンス
• 信号処理

背景:

• 運動イメージ脳コンピューターインターフェース（MI-BCI）は、正確な脳波（EEG）信号分類に依存しています。
• 次元削減は、MI-BCIシステムの効率とパフォーマンスを向上させるために重要です。

研究 の 目的:

• MI-BCIにおける脳波信号の次元削減と分類のための新しいフレームワークを導入すること。
• 特にトレーニングデータが限られているシナリオでのMI-BCIシステムのパフォーマンスを向上させること。

主な方法:

• 提案されたKron削減汎用学習正則化と差分進化（K-GLR-DE）フレームワークは、グラフ信号処理（GSP）とメタヒューリスティックオプティマイザを統合しています。
• 関心領域（ROI）の生理学的およびKron削減を使用して、脳グラフが構築され、次元削減が達成されます。
• 特徴抽出には、グラフ全変動と汎用学習正則化共通空間パターン（GLRCSP）が含まれ、その後、差分進化（DE）ベースの特徴選択が行われます。

主要な成果:

• K-GLR-DEアプローチは、BCIコンペティションIIIデータセットIVaおよびPhysioNet eegmmidbデータセットで評価されました。
• 放射基底関数（SVM-RBF）分類器を備えたサポートベクターマシンは、BCIC III-IVaで平均精度96.46%±0.81%を達成しました。
• この方法は、小規模で限られたトレーニングセットを含む、さまざまなトレーニング条件下で優れたパフォーマンスを示しました。

結論:

• K-GLR-DE法は、MI-BCI分類パフォーマンスを大幅に向上させます。
• このフレームワークは、限られたトレーニングデータでも効果的であり、MI-BCIシステムに堅牢なソリューションを提供します。