基于传播的特征选择对EEG分类的影响:对多个数据集进行比较研究

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
• 机器学习 机器学习

背景情况:

• 大脑-计算机接口 (BCI) 通过神经信号来控制设备.
• 运动图像 (MI) 是使用想象运动的关键BCI范式.
• 电脑电图 (EEG) 对于MI-BCI是常见的,但由于信号噪声和主体间的变化,需要有效的特征选择.

研究的目的:

• 开发和评估基于层级相关性传播 (LRP) 的特征选择方法,用于MI-BCI中的深度学习 (DL) 模型.
• 在主体依赖的场景中提高EEG信号的分类性能.

主要方法:

• 设计了一种基于LRP的新特征选择技术,集成到DL模型中.
• 使用两个公开的EEG数据集来评估该方法的有效性.
• 在受试者依赖的环境中,在各种DL骨干模型中评估了性能.

主要成果:

• 基于LRP的特征选择在两个数据集上显著改善了MI分类性能.
• 在所有测试的DL骨干模型中,这种增强是一致的.
• 选择的特征是阶级歧视和强大的.

结论:

• 基于LRP的特征选择方法有效地改善基于EEG的MI分类.
• 这种方法为提高BCI业绩提供了有价值的工具.
• 该方法显示了在需要EEG信号分析的其他研究领域更广泛应用的潜力.