有效的多通道EEG信号分类基于层次的极端机器学习
Songyang Lyu1, Ray C C Cheung1
1Department of Electrical Engineering, City University of Hong Kong, Hong Kong SAR, China.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
这项研究引入了一个快速的极端学习机器 (ELM) 框架,用于在运动图像中分类电脑电图 (EEG) 信号. 这种新方法显著提高了分类准确性,并减少了脑计算机接口 (BCI) 系统的训练时间.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 人类大脑的复杂处理能力使得疾病检测和脑计算机接口 (BCI) 等先进应用成为可能.
- 电脑电图 (EEG) 信号对于监测大脑活动和开发BCI系统至关重要.
- 目前用于EEG信号分类的机器学习方法在速度和准确性方面面临挑战.
研究的目的:
- 通过使用多层极端学习机器 (ELM) 来进行EEG信号分类的新快速反应框架.
- 评估拟议的ELM框架在运动成像任务中的表现.
- 将ELM框架与传统的机器学习和深度学习算法进行比较.
主要方法:
- 开发一个多层次的极端学习机器 (ELM) 框架.
- 电脑电图 (EEG) 信号用于运动图像的分类.
- 使用BCI竞争II数据集进行实验验证.
主要成果:
- 实现了EEG信号的平均分类准确率为93.90%.
- 与传统算法相比,训练时间减少了75%.
- 在分类准确性和培训速度方面均显著改善.
结论:
- 拟议的快速反应ELM框架为运动图像中的EEG信号分类提供了卓越的性能.
- 这一框架有望提高脑计算机接口 (BCI) 系统的效率和有效性.
- 该研究强调了ELM在推进BCI技术方面的潜力.
