在BCI中分析大脑连接的直接lingam和可见度图表
Hoda Majdi1, Mahdi Azarnoosh2, Majid Ghoshuni1
1Department of Biomedical Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran.
Medical & biological engineering & computing
|March 8, 2024
概括
这项研究探讨了大脑-计算机接口 (BCI) 的大脑网络连接. 与Direct Lingam相比,有限可穿透的水平可见度图 (LPHVG) 在区分运动图像任务方面显示出更高的准确性,突出显示了图形理论.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 生物医学工程 生物医学工程
背景情况:
- 大脑-计算机接口 (BCI) 允许大脑活动与外部设备之间的直接通信.
- 了解大脑内的定向连接对于推进基于运动图像 (MI) 的BCI至关重要.
- 分析大脑网络的现有方法需要强大的算法来处理复杂的信号.
研究的目的:
- 使用两个不同的网络分析方法,研究运动成像 (MI) 期间的定向大脑连接.
- 为了比较有限可穿透水平可见度图 (LPHVG) 和直接lingam对MI分类的有效性.
- 评估图形理论在提高BCI性能方面的潜力.
主要方法:
- 运动成像脑电图 (MI-EEG) 信号被映射到网络中,使用有限可穿透水平可见度图 (LPHVG).
- 使用LPHVG结合转移 (TE) 和直接lingam (贝叶斯网络) 模型来评估定向连接.
- 支持矢量机 (SVM) 和卷积神经网络 (CNN) 分类器用于MI分类.
主要成果:
- 通过LPHVG方法实现了92.7%的分类准确度,可以区分4类心脏病发作.
- 在同一个任务中,Direct Lingam的分类准确率达到90.6%.
- 分析显示,不同MI类的网络结构不同,LPHVG表现出优越的区分能力.
结论:
- 图形理论,特别是LPHVG方法,显示出提高基于运动图像的BCI的效率和准确性的巨大潜力.
- 该研究表明,LPHVG是一种比Direct Lingam更有效的方法,用于分析MI任务中的定向大脑连接.
- 对大脑信号的网络分析为开发更复杂,更可靠的脑电脑接口提供了一个有希望的途径.
