在运动图像脑电脑接口中招募神经场理论用于数据增强

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 大脑-计算机接口 (BCI) 对于恢复功能至关重要,但由于训练数据不足而受到限制,影响准确性.
• 运动图像任务是一个常见的BCI范式,但数据稀缺性阻碍了强大的模型训练.

研究的目的:

• 引入和评估使用神经场理论 (NFT) 的BCI训练数据的新型数据增强技术.
• 根据皮质体的NFT模型生成人工EEG时间序列,以补充有限的现实世界数据.

主要方法:

• 将皮质体NFT模型应用于BCI Competition IV "2a"数据集中的EEG数据,用于运动图像任务.
• 将NFT模型参数与运动图像类的常见空间模式相匹配,并为增强生成合成EEG时间序列.
• 评估了基于NFT的数据增强对使用特定信号特征的分类准确性的影响.

主要成果:

• 在使用NFT增强数据对"总功率"特征进行分类时,取得了超过2%的显著精度改进.
• 没有观察到"Higuchi Fractal Dimension"特征的显著精度改善,这表明模型特征的特异性.
• 证明了通过NFT生成的生物物理准确的人工数据的潜力,以提高BCI的性能.

结论:

• 基于NFT的数据增强提供了一种有前途的方法来克服BCI中的数据限制,特别是对于某些信号特征.
• 该研究强调了在应用生物物理知情生成模型时考虑特征模型相互作用的重要性.
• 对NFT应用的进一步研究可以导致更强大,更准确的BCI.