在多类脑电图和近红外光谱学基础的BCI系统中研究信息性大脑区域,使用基于频段功率的特征
Ebru Ergün1, Önder Aydemir2,3, Onur Erdem Korkmaz4
1Department of Electrical and Electronics Engineering, Recep Tayyip Erdogan University, Rize, Turkey.
Computer methods in biomechanics and biomedical engineering
|March 28, 2024
概括
这项研究将脑电图 (EEG) 和近红外光谱 (NIRS) 集成为脑电脑接口 (BCI),通过识别关键大脑区域,达到95.54%的准确性. 混合方法显著优于独立的EEG和NIRS系统.
科学领域:
- 神经科学和生物医学工程
- 大脑与计算机接口 (BCI) 技术
- 信号处理和机器学习
背景情况:
- 大脑计算机接口 (BCI) 系统通常使用脑成像技术,如脑电图 (EEG) 和近红外光谱 (NIRS).
- 个别的EEG和NIRS模式具有明显的优势和局限性,推动了对混合系统的兴趣.
- 整合EEG和NIRS为增强BCI性能提供了一个有希望的途径.
研究的目的:
- 在混合EEG+NIRSBCI系统中识别高功能大脑区域.
- 与独立方法相比,评估混合EEG+NIRS方法的分类准确性.
- 评估混合BCI在分类复杂认知任务方面的潜力.
主要方法:
- 专注于识别不同脑叶的EEG电极位置,以调查区域功能.
- 将组合的EEG + NIRS数据集分割成2.4秒的时间窗口,用于特征提取.
- 采用带功率特征和k-最近邻近算法来进行信号分类.
主要成果:
- 通过利用混合模型中最活跃的大脑区域,实现了95.54%±1.31的分类精度 (CA).
- 与独立的EEG (5.19%更高的CA) 和NIRS (40.90%更高的CA) 模式相比,已经证明了更好的性能.
- 在涉及阅读文本和向不同方向滚动的任务中成功分类了EEG + NIRS信号.
结论:
- 拟议的混合EEG + NIRS方法有效地识别和利用功能性大脑区域,以改善BCI性能.
- 与单个神经成像技术相比,这种综合方法显著提高了分类准确性.
- 该研究强调了混合EEG+NIRSBCI在高级认知任务分类方面的巨大潜力.
