基于多层网络的道选择用于运动图像的大脑-计算机接口
Shaoting Yan1,2,3, Yuxia Hu1,2,3, Rui Zhang1,2,3
1School of Electrical and Information Engineering, Zhengzhou University, Zhengzhou, People's Republic of China.
Journal of neural engineering
|January 31, 2024
概括
一种新的基于多层网络的通道选择 (MNCS) 方法提高了基于运动图像的大脑计算机接口 (MI-BCI) 的性能. 这种方法通过选择最佳的电极通道来提高解码精度和系统便利性.
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
- 机器学习 机器学习
背景情况:
- 基于运动图像的脑电脑接口 (MI-BCI) 依赖电极通道选择来实现性能和可用性.
- 现有的道选择方法往往忽略了道间的相互作用和跨频段信息.
- 这种限制可能会导致MI-BCI系统的解码精度低于最佳.
研究的目的:
- 为MI-BCI系统引入一种新的基于多层网络的通道选择 (MNCS) 方法.
- 通过结合跨频段的网络相互作用来解决单变频道选择的局限性.
- 为了提高MI-BCI应用程序的解码性能和实际便利性.
主要方法:
- 通过整合来自四个频段的脑网络,构建了一个多层网络框架.
- 图形学习通过多频段过的脑电图 (EEG) 数据估计了多层网络.
- 多层参与系数识别出具有最小冗余性的通道;共同空间模式 (CSP) 和支持矢量机 (SVM) 用于特征提取和分类.
主要成果:
- 与使用所有道跨多个数据集相比,MNCS方法显示出更高的性能 (例如,85.8%与93.1%).
- 与MI-BCI系统中最先进的方法相比,MNCS实现了显著更高的解码精度 (p < 0.05).
- 对公开可用的BCI竞争数据集和中风患者数据集进行了验证.
结论:
- 拟议的MNCS方法有效地为MI-BCI选择最佳的EEG通道.
- 这种通道选择策略显著提高了解码精度,并提高了MI-BCI系统的可用性.
- MNCS提供了一种有前途的方法来推动实用的脑计算机接口的发展.
