个人手指运动图像分类:一种数据驱动的方法,采用Shapley知情增强
Haneen Alsuradi1, Arshiya Khattak1, Ali Fakhry1
1Engineering Division, New York University Abu Dhabi, Saadiyat Island, Abu Dhabi 129188, United Arab Emirates.
Journal of neural engineering
|March 13, 2024
概括
这项研究确定了神经皮质中的神经相关物,用于使用电脑电图 (EEG) 来分类五指运动图像 (MI). 一种新的Shapley-informed增强技术通过解决EEG信号的时间不一致性来提高MI分类的准确性.
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:
- 使用脑电图 (EEG) 来分类个人五指运动图像 (MI) 是具有挑战性的,因为信号的变化.
- 现有的方法在同一主题的不同会议中对EEG数据的时间特征存在不一致的问题.
研究的目的:
- 系统地评估单个五指MI的分类,使用单个试验时间域EEG信号.
- 为了识别神经相关物,区分五指MI任务.
- 引入和评估一个基于Shapley的增强技术,以提高主体内部分类的准确性.
主要方法:
- 对时间域EEG信号的数据驱动分析,用于主体内和跨主体MI分类.
- 模型可解释性分析以确定神经相关性.
- 实施和评估Shapley知情增强以解决时间特征不一致的问题.
主要成果:
- 在皮质皮层中发现了分辨个人五指MI的神经信息.
- 在时间特征不一致的会议中,Shapley知情增强显著提高了分类准确性 (平均26.3%±6.70).
- 获得的平均分类准确率约为60.0% (会议内),50.0% (主体内) 和40.0% (离开一个主体).
结论:
- 额叶皮层包含了针对个体五指性心脏病发作的判别神经信息.
- 根据Shapley的信息增强有效地减轻了时间变化,提高了BCI应用程序的可访问性.
- 这项研究通过解决运动图像分类中的EEG信号不一致性来推进个性化的BCI系统.
