从统计学上显著的特征改善了来自EEGs的二元和多重运动图像任务预测
Murside Degirmenci1, Yilmaz Kemal Yuce2, Matjaž Perc3,4,5,6,7
1Department of Biomedical Technologies, Izmir Katip Celebi University, İzmir, Türkiye.
Frontiers in human neuroscience
|July 27, 2023
概括
统计特征选择显著提高了脑电脑接口 (BCI) 在运动图像任务的性能. 这种方法通过识别电脑电图 (EEG) 信号的关键特征来提高分类器的准确性,帮助的人控制设备.
科学领域:
- 神经科学和生物医学工程
- 专注于脑计算机接口 (BCI) 系统.
- 使用电脑电图 (EEG) 信号进行人机交互.
背景情况:
- 运动图像 (MI) 任务对BCI系统至关重要,使患者能够进行通信和设备控制.
- 针对MI-BCI的EEG信号分析面临挑战,原因是EEG数据的非线性和非静止性.
- 有效的特征提取和分类对于准确的MI-BCI系统设计至关重要.
研究的目的:
- 研究基于统计学意义的特征选择对运动图像EEG信号的分类准确性的影响.
- 评估各种时间域,频域,时间频域和非线性特征的有效性.
- 为了比较使用完整的特征集与减少的一组统计显著特征的分类性能.
主要方法:
- 从22个频道的EEG数据中提取了1364个特征,包括时间域,富里埃变换,波形变换和波卡尔图参数.
- 使用二进制和ANOVA的独立t测试进行多类分类,以确定统计学意义上的特征.
- 使用6-7种不同的算法对分类数据进行了评估,并进行了5次交叉验证,并对可靠性进行了10次重复.
主要成果:
- 集体次空间分辨分类器在两类MI任务中达到61.86%的最大准确率,在四类MI任务中达到47.36%的最高准确率.
- 与整个特征集相比,仅使用统计学上显著的特征时,分类性能显著提高.
- 该研究表明,统计特征选择导致使用更少组件的分类器性能更高.
结论:
- 基于统计意义的特征选择是提高MI-BCI分类准确性的有效方法.
- 非线性参数为MI-BCI中常用的特征提供了有价值的替代方案.
- 拟议的方法有助于预测多个摩托图像任务,提高BCI系统的实用性.
