基于双拉普拉西安分布的格兰杰因果推理及其对MI-BCI分类的应用

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 格兰杰因果关系对于理解大脑信息处理和大脑与计算机接口 (BCI) 是至关重要的.
• 传统的格兰杰因果关系与电脑电图 (EEG) 中的眼部工件等异常值作斗争,导致大脑连接和认知状态解释不准确.
• 在噪音条件下,需要强大的方法来构建稀疏的大脑网络.

研究的目的:

• 开发一种强大的格兰杰因果关系分析方法,适应EEG中的生理异常值.
• 构建稀疏的大脑网络,准确地代表神经相互作用.
• 通过增强的连接分析来提高脑计算机接口的性能.

主要方法:

• 拟议的双拉普拉西安格兰杰因果分析 (DLap-GCA).
• 在模型参数和余值上实施拉普拉斯分布,以处理异常值并促进稀疏性.
• 通过模拟和应用到动力图像 (MI) EEG 数据进行验证.

主要成果:

• DLap-GCA有效地抑制了EEG数据中的复杂异常影响.
• 该方法证明了稳定的模型估计和准确的稀疏网络推断.
• 与传统方法相比,对MI-EEG的应用揭示了半球横向化的强大捕获和更好的分类准确性.

结论:

• 在大脑连接分析中,DLap-GCA提供了对复杂异常值的稳定性.
• 该方法有效地描述了用于认知研究的代表性大脑网络.
• 在未来的脑机接口实现中,DLap-GCA显示了可靠网络结构的潜力.