一个单关节的多任务运动图像EEG信号识别方法,基于经验波段和多核极端学习机器
Shan Guan1, Longkun Cong1, Fuwang Wang1
1School of Mechanical Engineering, Northeast Electric Power University, Jilin City, Jilin Province 132012, China.
Journal of neuroscience methods
|April 20, 2024
概括
这项研究引入了一种新的脑计算机接口 (BCI) 方法,使用经验波纹分解 (EWT) 和多核极端学习机器 (MKELM) 来改进运动图像分类. 这种新的方法在区分类似的EEG信号方面实现了高精度,提升了BCI指挥精度.
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:
- 对多任务脑电脑接口 (BCI) 进行脑电图 (EEG) 信号的分类对于更精细的指令控制至关重要.
- 在运动成像任务中,区分来自同一关节的EEG信号具有重大挑战,因为空间分布重叠.
研究的目的:
- 提出和验证一种用于识别单关节,多任务运动图像EEG信号的新方法.
- 提高EEG信号与相似的运动任务的差异化,以提高BCI性能.
主要方法:
- 从六名参与者那里收集了来自三个运动图像任务 (手腕伸展,曲,绑架) 的EEG信号.
- 经验波纹分解 (EWT) 用于信号分解,选和重建.
- 常见空间模式 (CSP) 用于特征提取,然后使用多核极端学习机器 (MKELM) 进行分类.
主要成果:
- 电脑电脑图像处理显著增强了不同运动图像类的EEG信号之间的时间和频率差异.
- 对于单关节多任务EEG信号,MKELM模型实现了91.93%的平均识别精度.
结论:
- 拟议的EWT-MKELM方法在区分复杂的EEG信号方面表现出优异的性能,与其他分解技术 (如EMD,VMD,LMD和WPD) 相比.
- 在识别准确性和训练速度方面,MKELM在传统的机器学习和深度学习模型中表现出色.
- 这项研究提供了一种有希望的新方法,用于开发更精确和响应的脑机接口命令.
