会议独立的主体适应性心理图像BCI使用选择性过器银行适应性里曼特征

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
• 机器学习 机器学习

背景情况:

• 大脑计算机接口 (BCI) 利用神经信号,特别是脑电图 (EEG),用于设备控制和神经康复.
• 由心理图像 (MI) 驱动的BCI将预先冥想的心理目标解释为指令信号,为直观的人机交互提供了一条途径.

研究的目的:

• 开发一种新的,无校准的,适应学科的学习框架,用于使用基于EEG的BCI对各种心理图像 (MI) 任务进行分类.
• 为了应对EEG数据的会话间变化所带来的挑战,并提高MI分类的稳定性.

主要方法:

• 开发了一个基于学习的框架,重点是提取多光谱,针对用户量身定制的特征,以进行强大的MI分类.
• 使用里曼距离度量 (Dscore) 识别了关键的光谱波段和最佳的时间窗口,以检测不同的模式.
• 使用里曼的转移学习转换了EEG试验的共变矩阵,以确保不同会议的可比性.

主要成果:

• 拟议的选择性时间窗口和多尺度过器银行与自适应的里曼特征 (STFB-AR) 显示了MI分类准确性的显著改进.
• 与基线模型相比,观察到平均精度增加了大约15%.
• 与固定过器银行模型相比,平均精度提高了8%.

结论:

• 开发的STFB-AR框架为基于EEG的MI分类提供了强大而适应性的解决方案,减少了对广泛重新校准的需求.
• 这种方法有望提高BCI在各种心理图像任务中的性能,包括涉及残疾人的任务.