通过使用功率频谱的周期组件,改进基于EEG的跨日精神工作负载分类

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
• 信号处理 信号处理

背景情况:

• 电脑电图 (EEG) 信号的日常变化对基于EEG的被动脑电脑接口 (pBCI) 构成了主要障碍.
• 当前的机器学习模型需要耗时的每日重新校准,这限制了诸如心理工作负载监控等现实应用.
• 这种变化阻碍了对大脑活动的一致解码.

研究的目的:

• 调查原始功率光谱密度 (PSD) 和其分解的周期性和非周期性组件的日常稳定性.
• 评估使用这些周期组件的可行性,以改进跨日精神工作负载分类.
• 为了提高pBCI的实用应用的稳定性.

主要方法:

• 将原始EEG功率光谱密度 (PSD) 分解为周期性和非周期性组件,使用适配振荡和一对一算法.
• 分析这些组件的日常稳定性.
• 使用周期组件验证跨日精神工作负载分类性能.

主要成果:

• 与原始PSD和非周期组件相比,EEG的周期组件表现出更好的日常稳定性.
• 使用周期组件的心理工作负载的分类准确度达到84.2%±11.0%,明显优于原始PSD (69.9%±18.5%) 和无周期组件 (69.4%±19.2%).
• 周期组件表现出更好的跨日分类性能.

结论:

• 脑电图的周期组件具有固有的日常稳定性,这使得它们对大脑状态解码充满希望.
• 使用周期组件可以显著提高pBCI的跨日分类准确性.
• 这些发现为更强大,更实用的pBCI应用铺平了道路,而无需不断重新校准.