基于关联波器的频道和特征选择框架用于混合EEG-fNIRSBCI应用程序
IEEE journal of biomedical and health informatics
|July 12, 2023
概括
这项研究引入了一种新的相关性过策略,用于使用脑电图 (EEG) 和功能近红外光谱 (fNIRS) 的混合脑计算机接口 (BCI). 该方法显著提高了分类准确性,通过ReliefF波器和集成分类器实现了94.77%.
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) 将大脑信号与外部设备集成.
- 混合BCI结合了脑电图 (EEG) 和功能近红外光谱 (fNIRS) 提供了补充数据.
- 有效的功能和频道选择对于优化混合BCI性能至关重要.
研究的目的:
- 在混合EEG-fNIRSBCI中开发和验证基于相关性过器的特征和通道选择策略.
- 将来自EEG和fNIRS的补充信息融合在一起,以提高分类准确度.
- 在混合BCI中确定动力图像任务中最有效的过器和分类器.
主要方法:
- 使用基于关联的连接矩阵提取相关的EEG和fNIRS通道.
- 统计特征 (斜率,斜率,平均值,曲率) 被提取并融合.
- 应用了多个过器 (ReliefF,mRMR,chi-square,ANOVA,Kruskal-Wallis) 来进行特征选择.
- 传统的分类器包括神经网络,SVM,LDA和合奏.
主要成果:
- 拟议的相关性过框架显著提高了混合EEG-fNIRSBCI的分类准确性.
- 与集成分类器相结合的ReliefF过器实现了最高准确率94.77 ± 4.26%.
- 统计分析证实了结果的意义 (p < 0.01).
结论:
- 开发的基于相关性过器的通道和特征选择策略对混合EEG-fNIRSBCI有效.
- 这种方法提高了分类性能,为更强大的BCI应用铺平了道路.
- 这些发现表明,在未来的混合BCI系统中,可能会得到广泛采用.
