脑电图节奏分离和时间频率分析快速多变量实证模式分解的运动图像BCIBCI

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 神经科学是一个神经科学.

背景情况:

• 运动图像电脑电图 (EEG) 分析对于脑电脑接口 (BCI) 系统至关重要.
• 多变量实证模式分解 (MEMD) 是EEG信号的常见预处理技术.
• 现有的MEMD方法在多通道EEG数据中的噪声稳定性和计算复杂性方面面临挑战.

研究的目的:

• 引入和评估快速多变量实证模式分解 (FMEMD) 和其噪声辅助版本 (NA-FMEMD) 用于运动图像EEG分析.
• 为了解决MEMD在噪声灵敏度和计算成本方面的局限性.
• 为提高BCI性能提出基于FMEMD的分类架构.

主要方法:

• 实现了FMEMD和NA-FMEMD用于分析运动图像EEG数据.
• 使用模拟和现实世界EEG数据集,将FMEMD与MEMD进行比较.
• 采用联合平均频率测量用于内在模式功能选择.
• 开发并测试了一个基于FMEMD的分类架构.

主要成果:

• 与MEMD相比,FMEMD显示出更准确的EEG频率估计和更高的噪声稳定性.
• FMEMD表现出更好的计算效率.
• 基于FMEMD的架构在BCI竞争IV数据集上提高了2.3%的分类准确性.
• 在基准数据集上,FMEMD实现了与复杂算法可比的性能,有效地处理特征提取和维度.

结论:

• FMEMD和NA-FMEMD是用于BCI应用的强大的时间频率预处理方法.
• FMEMD在噪声稳定性,计算效率和运动图像EEG的分类准确性方面提供了显著的优势.
• 拟议的基于FMEMD的架构有效地提取了BCI系统中的特征并减轻了BCI系统中的维度约束.