碎形维度作为运动图像中高精度分类的区分特征基于EEG的大脑计算机接口的脑电图接口
Sadaf Moaveninejad1, Valentina D'Onofrio2, Franca Tecchio3
1Department of Neuroscience, University of Padova, 35128 Padua, Italy.
Computer methods and programs in biomedicine
|December 8, 2023
概括
碎形维度 (FD) 提高了大脑与计算机接口 (BCI) 的准确性,用于分类运动图像和执行. 这项新功能提高了机器学习性能,而不是BCI控制的事件相关脱同步 (ERD).
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:
- 大脑-计算机接口 (BCI) 解码大脑信号以控制设备,帮助运动障碍者.
- 准确的机动意图信号分类对于有效的BCI通信至关重要.
- 与事件相关的脱同步 (ERD) 是一种已知的EEG特征,用于运动任务的歧视.
研究的目的:
- 引入碎形维度 (FD) 作为主体独立BCI事件分类的新功能.
- 评估FD在机器学习模型中对运动图像 (MI) 和运动执行 (ME) 任务的有效性.
- 将FD的表现与ERD等传统特征进行比较.
主要方法:
- 实施的机器学习模型使用FD作为EEG信号分类的特征.
- 在涉及运动图像和运动执行的行为任务上测试模型.
- 分析了单边和双边移动之间的分类准确度差异.
主要成果:
- 与ERD相比,FD显著提高了机器学习分类准确性.
- 使用FD提高了独立于主体的分类性能.
- 在MI和ME任务中,单边的手动表现出比双边运动更高的分类准确性.
结论:
- 在BCI应用中,FD显示出作为EEG信号的歧视性特征的巨大潜力.
- 这些发现有助于在BCI系统中改进主体独立事件分类.
- 飞行数据为基于频率的特征提供了补充信息,以提高BCI性能.
