差异特征保留了运动图像的共同空间模式BCI BCI
Wei Liang1, Jing Jin1,2, Ren Xu3
1Key Laboratory of Smart Manufacturing in Energy Chemical Process, Ministry of Education, East China University of Science and Technology, Shanghai, China.
Frontiers in human neuroscience
|November 29, 2023
概括
一种新的变异特征保存常见空间模式 (VPCSP) 算法通过保留关键数据变异来提高脑计算机接口 (BCI) 性能. 这种方法可以提取更强大的脑电图 (EEG) 特征,以改善运动图像的分类.
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
- 机器学习 机器学习
背景情况:
- 共同空间模式 (CSP) 算法对于在基于运动图像的脑电脑接口 (BCI) 系统中提取脑电图 (EEG) 特征至关重要.
- 现有的CSP优化主要集中在时间和频谱领域,经常忽视预测的功能空间中的约束.
- 这种限制可能会阻碍用于准确的机动图像分类的强大和可区分的特征的提取.
研究的目的:
- 引入修改后的CSP算法,变异特征保存CSP (VPCSP),旨在解决传统CSP的局限性.
- 为了提高强大和有区别的EEG特征的提取,以提高BCI性能.
- 评估VPCSP在特征提取过程中保留基本数据方差特征的有效性.
主要方法:
- 通过结合基于图形理论的规范化术语来开发VPCSP,以保持预测数据的局部方差特征.
- 使用拉普拉斯矩阵将损失函数作为矩阵制定,将问题转换为一个通用自值问题.
- 在两个公开的BCI竞争EEG数据集和一个自我收集的数据集上评估了VPCSP.
主要成果:
- VPCSP的分类准确度高达87.88% (数据集IV部分I),90.07% (数据集III部分IVa) 和76.06% (自主收集的数据集).
- 经过修改的方法证明了提取强大和可辨别的特征的能力,优于现有的CSP变体.
- 实验结果证实,由于拟议的规范化,CSP的有效性得到了显著改善.
结论:
- 拟议的VPCSP方法有效地提取了强大的特征,从而在基于机动图像的BCI系统中获得了显著的性能提升.
- VPCSP提供了一种有希望的方法,通过保留EEG数据中的关键方差特征来提高BCI性能.
- 该方法具有可扩展性,表明BCI技术的进一步进步的潜力.
