一个层次性的递归特征消除算法,用于开发脑计算机界面应用,用于统计推理和决策的用户行为
Shams Al Ajrawi1, Ramesh Rao2, Mahasweta Sarkar3
1Department of Electrical and Computer Engineering, University of California, San Diego, Alliant International univercity, San Diego, CA, USA; CSML, Alliant International University, San Diego, San Diego, CA, USA; Department of Electrical and Computer Engineering, San Diego State University, San Diego, CA, USA.
Journal of neuroscience methods
|May 8, 2024
概括
一种新的等级递归特征消除 (HRFE) 方法通过有效处理杂的大脑信号来增强脑计算机接口 (BCI) 的分类. 这种计算机视觉方法在电皮质谱 (ECoG) 信号中实现了93%的可靠性.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 大脑-计算机接口 (BCI) 允许用户通过大脑信号来控制智能设备.
- 由于高维度,噪音大脑信号数据,BCI分类面临挑战.
- 计算机视觉技术对于处理和分类这些复杂的信号至关重要.
研究的目的:
- 开发和评估一个新的特征选择方法,用于BCI分类.
- 解决大脑信号处理中噪音和高维度的挑战.
- 提高BCI系统的可靠性和准确性.
主要方法:
- 引入了一种层次递归特征消除 (HRFE) 方法来处理杂的大脑信号.
- 应用HRFE来分类来自两个BCI数据集 (数据集I和BCI比赛III) 的电皮质谱 (ECoG) 信号.
- 使用HRFE的浅和深卷积神经网络分类技术.
主要成果:
- 从ECoG信号中选择了影响分类的前20个特征.
- 与现有方法相比,HRFE显示了显著的计算机视觉增强.
- 在ECoG信号分类中实现了大约93%的可靠性.
结论:
- HRFE是BCI分类中特征选择的有效方法,特别是对于噪音高的ECoG数据.
- 拟议的方法在分类可靠性方面提供了显著的改善.
- 这项工作有助于提高BCI系统的性能和适用性.
