一个视觉疲劳的量子化算法,基于低压的第二阶段随机共振,用于稳定状态的视觉唤起潜能
Peiyuan Tian1, Guanghua Xu1,2,3, Chengcheng Han1
1School of Mechanical Engineering, Xi'an Jiaotong University, Xi'an, China.
Frontiers in neuroscience
|December 11, 2023
概括
一个使用低度二次随机共振 (苏联) 的新算法准确地从稳定状态视觉唤起潜力 (SSVEP) 范式量化视觉疲劳. 与传统的正统相关性分析 (CCA) 相比,这种方法显示出更高的可靠性.
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:
- 视觉疲劳来自稳定状态视觉唤起潜力 (SSVEP) 范式的影响脑电脑接口 (BCI) 应用程序.
- 目前对SSVEP视觉疲劳的客观量化依赖于正规相关性分析 (CCA),它有局限性.
- 开发可靠的方法来测量SSVEP引起的视力疲劳对于推进BCI技术至关重要.
研究的目的:
- 引入一种新的算法来量化SSVEP范式中的视觉疲劳,使用单通道EEG.
- 评估拟议的算法的准确性和可靠性与既有方法和主观措施相比.
- 通过应对视觉疲劳的挑战来增强BCI的实际应用.
主要方法:
- 开发了一种新的视觉疲劳量化算法,该算法基于低缓解的二次随机共振 (苏联).
- 采用固定步骤能量参数优化算法与苏联模型相结合,以提高信号噪声比.
- 对比基于苏联的算法与传统的CCA和利克尔特疲劳量表进行验证.
主要成果:
- 基于苏联的算法与主观的利克特疲劳量表相比没有显著差异 (p=0.090).
- 与主观的利克特疲劳度表相比,传统的CCA显示出显著差异 (p<0.001).
- 拟议的算法与视觉疲劳量化的主观黄金标准达成了更高的一致性.
结论:
- 基于苏联的算法提供了更可靠,更准确的SSVEP诱导的视觉疲劳量化.
- 这种新方法为SSVEP范式中的客观视觉疲劳评估提供了CCA的优质替代方案.
- 这些发现支持了苏联算法的潜力,以改善用户体验和BCI的有效性.
