在大型EEG数据集上使用里曼几何算法解码多类运动图像和运动执行任务

科学领域:

• 神经科学是一个神经科学.
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 基于脑电图 (EEG) 的脑电脑接口 (BCI) 面临信号噪声和非静止性的挑战.
• 当前最先进的方法在大型BCI数据集上的分类准确性方面存在困难.
• 里曼的几何解码算法提供了一种新的方法来克服这些局限性.

研究的目的:

• 为了评估一个新的里曼的几何解码算法实现的性能.
• 在大型,多主题的BCI数据集上评估算法性能.
• 为了比较不同的适应策略来解码运动执行和运动图像信号.

主要方法:

• 将几个里曼几何解码算法应用于一个大型离线数据集.
• 利用了四种适应策略:基线,反偏,监督和无监督.
• 在109名受试者的数据集上进行了测试,使用64和29个电极进行了四类双边/单边运动图像和执行.

主要成果:

• 基线与里曼平均值的最小距离策略产生了最佳的分类准确性.
• 在动力执行方面,达到高达81.5%的平均精度.
• 在运动图像方面,达到高达76.4%的平均精度.

结论:

• 里曼的几何解码算法对于在BCI中对EEG试验进行分类是有效的.
• 基线与里曼平均线的最小距离策略对于大型数据集特别有效.
• 准确的EEG试验分类对于开发成功的BCI应用程序来控制设备至关重要.