通过UMAP算法识别多功能融合EEG信号的运动意图识别
Yushan Du1, Jiaxin Sui1, Shiwei Wang2
1Measurement Technology and Instrumentation Key Lab of Hebei Province, Yanshan University, Qinhuangdao, 066004, China.
Medical & biological engineering & computing
|July 8, 2023
概括
本研究介绍了一种使用统一多重近似和投影 (UMAP) 进行脑电图 (EEG) 信号分析的多功能融合算法,用于脑电脑接口 (BCI) 的信号分析. 该方法通过有效地融合多域特征来提高运动图像 (MI) 分类的准确性.
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:
- 从脑电图 (EEG) 信号中有效地提取特征对于提高脑机界面 (BCI) 应用中的运动图像 (MI) 分类准确性至关重要.
- 传统的单域特征提取方法可能无法捕获强大的MI模式分类所需的全面信息.
研究的目的:
- 提出一种新的MIEEG信号的多功能融合算法,使用统一的多重近似和投影 (UMAP).
- 通过整合来自多个领域的特征来提高MI模式的区分能力和分类准确性.
主要方法:
- 从EEG信号中提取大脑功能网络和共同空间模式 (CSP) 特征.
- 应用UMAP用于将多域特征融合到一个低维表示中.
- 在减少的特征空间中使用k-最近邻居 (KNN) 算法进行分类.
主要成果:
- 拟议的多功能融合方法在左手和右手MI脑电图信号中实现了超过92%的平均分类精度.
- 与单域特征提取方法相比,证明了优越的分类和可视化性能.
- 验证了UMAP在功能融合中的有效性,用于增强的EEG信号分析.
结论:
- 使用UMAP的多功能融合为MI-BCI的EEG信号分析提供了比传统方法更有效的方法.
- 拟议的算法提供了改进的区分特征和增强的分类准确性.
- 基于UMAP的特征融合显示了通过更好的EEG信号解释来推进BCI技术的巨大潜力.
