动力图像的实时分类使用动态窗口级格雷纳因果关系分析fMRI数据的fMRI数据

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
• 机器学习 机器学习

背景情况:

• 运动影像 (MI) 涉及在没有物理执行的情况下想象运动.
• 从大脑信号中解码MI对于大脑与计算机接口 (BCI) 至关重要.
• 功能磁共振成像 (fMRI) 为大脑活动提供高空间分辨率,但在实时解码方面面临挑战.

研究的目的:

• 开发和验证一种用于从fMRI数据中提取神经信号特征的新方法,以区分左手和右手抓取想象力.
• 为了研究有效的大脑连接的实用性,使用动态窗口级格兰杰因果关系 (DWGC) 计算,作为实时MI分类的特征.
• 将拟议方法的性能与传统的多维素模式分类分析进行比较.

主要方法:

• 进行了一项fMRI实验,以确定MI期间激活的大脑区域.
• 动态窗口级格兰杰因果关系 (DWGC) 用于计算感兴趣区域 (ROI) 之间的有效联系.
• 在开放NFT平台上开发了一个实时fMRI (rt-fMRI) 分类系统,使用支持矢量机 (SVM) 进行三类分类 (休息,左手,右手).

主要成果:

• 使用有效的连接功能,SVM分类器实现了69.3%的最大准确度,用于实时分类三类.
• 这种准确性平均比传统的多维素模式分类分析高出3%.
• 拟议的方法在MI任务的初始阶段显著改善了分类准确性,并减少了延迟效应.

结论:

• 来自DWGC的有效连接是使用fMRI对汽车图像实时解码的有价值功能.
• 与传统方法相比,这些有效的连接特征对大脑状态的变化具有更高的敏感性.
• 该研究为基于fMRI的BCI研究中特征提取提供了理论支持和技术指导.