使用振荡和无周期神经活动特征来识别基于SSVEP的BCI中的置状态,可以减少错误触发
Rui Wang1, Tianyi Zhou2, Zheng Li2,3
1Department of Electrical Engineering and the Key Laboratory of Intelligent Rehabilitation and Neuromodulation of Hebei Province, Yanshan University, Qinhuangdao 066004, People's Republic of China.
Journal of neural engineering
|November 28, 2023
概括
这项研究引入了一种用于脑计算机接口 (BCI) 的新方法,该方法结合了脑信号节奏和非节律活动. 这种融合提高了识别置状态的准确性,减少了异步BCI中的错误触发.
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:
- 传统的脑电脑接口 (BCI) 方法主要使用节奏性 (振荡性) 脑活动,忽视无周期性 (1/f) 组件.
- 最近的研究表明,非周期性活动与认知功能有关,但它在区分BCI的大脑状态方面的作用尚不清楚.
- 异步BCI需要强大的方法来区分控制和置状态,最大限度地减少错误触发.
研究的目的:
- 开发和评估一种非同步的BCI方法,将振荡和非周期特征融合在一起,以改进基于稳定状态视觉唤起潜力 (SSVEP) 的分类.
- 确定无周期性大脑活动是否可以提高BCI中置状态识别的准确性.
- 通过利用节律和非节律的神经信号组件来减少异步BCI中的错误触发.
主要方法:
- 实施了不规则的重新采样自光谱分析,以评估大脑状态的振荡和无周期组件.
- 提取了振荡特征 (基本,第二和第三波的光谱功率) 和无周期特征 (光谱适合的斜率和截面).
- 应用特征选择使用Bonferroni从ANOVA校正的p值,并使用统计学上显著的空间特征进行分类.
主要成果:
- 合并的振荡和无周期特征在置状态识别中实现了平均准确度为88.39%.
- 与仅使用振荡特征 (83.53%准确率) 相比,这代表了4.86%的显著改善.
- 该方法通过结合无周期性大脑活动特征,在区分置状态方面表现出增强的性能.
结论:
- 无周期性大脑活动特征在异步BCI中有效识别置状态.
- 与单独使用振荡特征相比,融合振荡特征和无周期特征显著提高了分类性能.
- 拟议的方法为置状态检测提供了更强大的方法,可能减少基于SSVEP的BCI中的错误触发.
