结合EEG和fNIRS模式来评估运动训练期间的皮质刺激性和MI-BCI性能

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:

• 脑电图 (EEG) 信号本质上是非线性和非静止的,这对稳定的脑电脑接口 (BCI) 性能构成挑战.
• 强大的分类器对于长期BCI监测和可靠的大脑状态评估至关重要.

研究的目的:

• 通过整合脑电图和脑血液动力学模式来提高BCI性能.
• 开发和验证一种新的分类器校准策略,以提高BCI准确性.

主要方法:

• 一个运动图像 (MI) -BCI实验,涉及16名参与者视觉触觉神经反训练 (NFT).
• 在NFT之前和之后同时记录EEG和功能近红外光谱 (fNIRS) 信号.
• 开发一个加权的EEG-fNIRS模式 (WENP) 分类器校准策略,整合独立的分类器.

主要成果:

• 在通过时间频率和拓方法分析的重复和连续的NFT后观察到皮层激活的显著改善.
• 与使用独立模式相比,集成的EEG-fNIRS分类器实现了更高的性能,精度提高了约10-18%.
• 使用WENP策略,平均分类准确率达到约89%.

结论:

• 拟议的WENP战略通过整合EEG和fNIRS数据,有效地提高MI-BCI的性能.
• 结果表明,WENP方法对优化传统运动训练和临床康复有希望.
• 开发的方法是可行的,在各种BCI范式中具有更广泛应用的潜力.