使用基于EEG信号空间分布的自适应过来增强SSVEP特性的一种方法
Shengyu Wang1, Bowen Ji2,3, Dian Shao2
1School of Information Science and Technology, Donghua University, Shanghai 201620, China.
Micromachines
|May 27, 2023
概括
这项研究引入了一种改进的脑电脑界面 (BCI) 拼写器,使用与正统相关性分析 (CCA) 的自适应过. 新的RLS-CCA方法显著提高了电脑电图 (EEG) 信号的分类精度,特别是在低电极场景中.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 信号处理 信号处理
背景情况:
- 大脑-计算机接口 (BCI) 通过大脑信号实现通信和控制.
- 稳态视觉唤起潜力 (SSVEP) 常用于BCI拼写器.
- 由于背景电脑电图 (EEG) 活动的信号噪声比率 (SNR) 较低,检测SSVEP具有挑战性.
研究的目的:
- 开发和评估EEG信号的新型分类算法.
- 为了提高SSVEP的检测,提高BCI拼写器的性能.
- 提高基于SSVEP的BCI的准确性,特别是在资源有限的环境中.
主要方法:
- 提出了一个分类算法,将正规关联分析 (CCA) 与自适应过集成在一起.
- 采用了一种组合方法,将递归最小方形 (RLS) 适应波器结合起来,用于多个刺激频率.
- 通过在CCA之前删除背景EEG活动,改进了SSVEP的信号噪声比 (SNR).
- 在实验SSVEP数据和公共数据集上测试了算法.
主要成果:
- 与纯CCA方法相比,拟议的RLS-CCA方法显著提高了分类准确性.
- 精度达到了91.23%,EEG导线数量很少 (例如3个头电极).
- 该方法在增强SSVEP检测方面表现出卓越的性能.
结论:
- RLS-CCA算法为基于SSVEP的BCI提供了显著的进步.
- 该方法特别适用于需要低密度EEG采集的可穿戴应用.
- 提高准确性和SNR为更实用和更容易使用的BCI系统铺平了道路.
