基于增强协差矩阵的BCI-EEG分类

科学领域:

• 神经科学是一个神经科学.
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 脑电图 (EEG) 信号是复杂的多维数据集.
• 运动图像分类对于大脑与计算机接口至关重要.
• 目前用于EEG信号分析的方法在捕获全面信息方面存在局限性.

研究的目的:

• 引入一个新的框架,使用增强的协差来增强运动图像分类.
• 为了提高基于EEG的大脑计算机接口的准确性和稳定性.
• 探索动态系统理论在EEG信号处理中的应用.

主要方法:

• 使用自回归模型来导出增强协差矩阵.
• 增强 covariance 矩阵是使用 Riemannian 几何学分析的.
• 延迟嵌入定理原理为超参数的计算提供了信息.

主要成果:

• 与最先进的技术相比,增强共变矩阵方法表现出更高的性能.
• 该方法在使用MOABB框架的多个数据集和主体中得到了验证.
• 会议内部和跨会议评估都证实了拟议方法的有效性.

结论:

• 增强的协差矩阵有效地整合了来自EEG信号的空间和时间信息.
• 嵌入程序捕获非线性信号组件,允许使用动态系统算法.
• 这个框架推进了EEG信号分类,并扩展了基于距离的里曼算法.