确定多参与者运动图像实验的最佳道和特征,跨越参与者的多天多类EEG数据
1Electrical and Electronics Engineering Department, Faculty of Technology, Selcuk University, Konya, Turkey.
Cognitive neurodynamics
|June 3, 2024
概括
这项研究确定了最佳的脑电图 (EEG) 通道和运动图像 (MI) 信号特征,用于大脑与计算机接口 (BCI). 一个新的定向运动范式和自适应过改进了分类准确性,在参与者之间显示了可概括的结果.
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:
- 大脑计算机接口 (BCI) 通过脑电图 (EEG) 信号实现基于思想的控制.
- 脑电图信号具有成本效益,但由于噪音和非线性而难以处理.
- 提高BCI效率需要确定最佳的EEG通道和运动成像 (MI) 信号特征.
研究的目的:
- 为BCI应用程序推广高效的EEG通道和显著的MI信号特征.
- 评估一种新的多类定向运动范式 (右,左,前,后) 用于MI信号分类.
- 评估结果在多个参与者和天的概括性.
主要方法:
- 从一个参与者对20天的EEG记录进行分析,以确定高效的道和特征.
- 开发一种新的自适应过方法:基于相关性的自适应变化模式分解 (CBAVMD).
- 实施一种算法来排除不一致的样本和异常值,并根据标准偏差进行特征选择.
主要成果:
- 定向运动范式在使用3个道的日常BCI评估 (87.39%二进制,61.44%多类) 中显示出高准确度.
- 在5名参与者中,平均准确率为71.84%的二进制和50.42%的多类与4个频道.
- 定向范式对右和左运动的二进制分类最有效,证明了成功的概括.
结论:
- 该研究成功地将高效的EEG通道和BCI的显著MI特征概括为BCI.
- 拟议的定向运动范式和CBAVMD过提高了BCI的性能.
- 结果表明,对于日常BCI评估和更广泛的应用,有一个强有力的方法.
