通过联合样本和特征重要性评估,提高基于EEG的大脑计算机接口的性能

科学领域:

• 神经科学和人工智能 人工智能
• 大脑与计算机接口 (BCI) 系统
• 信号处理 信号处理

背景情况:

• 脑电图 (EEG) 对BCI至关重要,但原始数据质量各不相同,不同脑区域/频率的特征相关性尚不清楚.
• 直接使用多通道,多频段的EEG特征进行识别是不理想的,因为数据非静止性和特征维度的重要性.
• 现有的BCI方法很难解释样本质量和特征特征对心理状态识别的贡献.

研究的目的:

• 为BCI系统提出一个新的模型,即联合样本和特征重要性评估 (JSFA).
• 同时评估EEG样本和特征对改善精神状态识别的重要性.
• 在基于EEG的BCI中解决数据质量变化和差异特征相关性.

主要方法:

• 开发了联合样本和特征重要性评估 (JSFA) 模型.
• 纳入自主学习以评估样本重要性.
• 使用特征自权衡技术进行特征重要性评估.
• 在SEED-IV (情绪识别) 和SEED-VIG (驾驶疲劳检测) 数据集上评估了JSFA.

主要成果:

• 联合实验室有效地识别和量化了个别EEG样本的重要性.
• 该模型成功地确定了不同特征维度 (大脑区域/频段) 的相关性.
• 在情绪分类和疲劳检测任务中观察到识别性能显著提高.

结论:

• 在BCI中,JSFA提供了一种可靠的方法来处理EEG数据的变化和特征的重要性.
• 拟议的模型提高了BCI系统中精神状态识别的准确性和可靠性.
• 在基于EEG的BCI应用中,JSFA提供了一种有前途的方法来优化特征提取和样本选择.