使用噪音辅助的多变量实证模式分解和多感应场卷积神经网络的虚拟语音EEG的多类分类

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:

• 脑电图 (EEG) 是理解大脑活动的关键工具.
• 从EEG分类想象的语言对于脑电脑接口 (BCI) 至关重要.
• 现有的方法需要进一步优化,以适用于实际的BCI应用.

研究的目的:

• 通过信号分解和多感应卷积神经网络,从想象的语音中分类脑电图 (EEG) 数据.
• 将拟议方法的性能与其他分类器进行比较.
• 识别信息频段,用于想象语音的分类.

主要方法:

• 从十名参与者那里获得了五个元音 (/a/, /e/, /i/, /o/, /u/) 和休息的EEG数据.
• 应用噪声辅助多变量实证模式分解和波形包分解用于信号分解.
• 从八个次频带中提取了六个统计特征,并将它们与多感应场卷积神经网络一起使用.

主要成果:

• 在六个类设置中,达到73.09%的平均分类率,峰值为80.41%.
• 与其他分类器相比,显著改善 (p < 0.05).
• 确定了高频和低频频段作为对想象中的母音EEG数据最有信息.

结论:

• 想象语音EEG可以有效地使用信号分解和卷积神经网络进行分类.
• 拟议的方法显示了开发实际想象式基于语音的BCI的前景.
• 对频段的进一步分析可以提高分类的准确性.