基于运动图像EEG信号的多字符分类方案的设计和实施

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
• 计算机科学 计算机科学

背景情况:

• 恢复严重运动和言语障碍患者的沟通仍然是一个重大挑战.
• 目前基于运动图像的脑计算机接口 (MI-BCI) 难以处理复杂,灵巧的任务,例如多个字符的写作.
• 现有的MI-BCI系统通常依赖于粗运动图像,限制其用于精细运动任务的应用.

研究的目的:

• 设计和实施一种新的MI-BCI方案,使用电脑电图 (EEG) 信号对29个字符 (26个英文字母和3个标点) 进行分类.
• 开发一种实验范式,为个人角色写作引发独特的运动图像 (MI).
• 评估各种特征提取和分类方法对高精度脑到文本通信的有效性.

主要方法:

• 设计了一个新的实验范式,要求受试者想象写29个字符.
• 脑电图信号是在运动成像任务中获得的.
• 使用功率光谱密度 (PSD),主要组件分析 (PCA) 和核心主要组件分析 (KPCA) 进行了特征提取.
• 使用k-最近邻居 (kNN),支持矢量机 (SVM),极端学习机 (ELM) 和光梯度增强机 (LightGBM) 进行分类.

主要成果:

• 核心主要组件分析 (KPCA) 在特征提取方面表现出卓越的性能.
• k-最近邻居 (kNN) 分类器实现了最高的分类准确性.
• 完整的MI-BCI方案成功地分类了29个字符,最终准确率为96.2%.

结论:

• 开发的MI-BCI方案有效地对29个字符的运动图像进行分类,从而为大脑到文本通信提供了一个新的途径.
• 新的实验范式和先进的特征提取/分类技术显著提高了MI-BCI的准确性和可行性.
• 这项研究为重症运动和语言障碍患者恢复沟通能力提供了有前途的进展.