基于EEG的手指运动分类与内在时间尺度分解

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:

• 大脑计算机接口 (BCI) 使用脑电图 (EEG) 进行非侵入性大脑活动监测.
• 当前的BCI往往专注于运动运动,忽视了"没有心理任务" (NoMT) 状态,这可能导致性能下降.
• 精细运动技能的准确分类,就像个别的手指运动一样,在基于EEG的BCI中仍然是一个挑战.

研究的目的:

• 开发一个更现实的基于EEG的BCI系统,能够解码五个不同的指头运动和NoMT状态.
• 评估一种新型特征提取方法的有效性,使用来自内在时间尺度分解 (ITD) 的适当旋转组件 (PRC).
• 评估基于ANOVA的特征选择对分类器性能的影响.

主要方法:

• 从内在时间尺度分解 (ITD) 中使用正确旋转元件 (PRC) 提取特征.
• 使用各种机器学习算法对六个类 (五个手指运动+NoMT) 的分类.
• 对主体依赖性和主体独立性分类表现的评估.
• 应用ANOVA进行特征选择以确定统计学意义上的特征.

主要成果:

• 集体学习分类器达到最高准确率55.0%.
• 将NoMT状态与五个手指动作一起包含,提高了整体分类性能.
• 基于ANOVA的特征选择表明,它对基于EEG的BCI的分类器准确性产生了积极的影响.

结论:

• 与现有研究相比,拟议的BCI系统在分类性能方面提供了适度但显著的改进.
• 纳入NoMT状态增强了基于EEG的BCI系统的现实性和稳定性.
• 新的特征提取和选择方法显示了推动BCI技术的前景.