基于强化学习的动态窗口方法,用于SSVEP识别

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:

• 稳态视觉唤起潜力 (SSVEP) 是一种广泛使用的大脑与计算机接口 (BCI) 的范式.
• 传统的SSVEP分析使用固定的窗口长度,限制信息传输速率 (ITR).
• 现有的动态窗口方法依赖于潜在的错位假设 (LDA,贝叶斯估计),导致次优窗口选择.

研究的目的:

• 开发一种使用强化学习 (RL) 的SSVEP-BCI新型动态窗口方法.
• 动态优化窗口长度选择以最大限度地提高ITR,而不依赖预定义的假设.
• 为了实现自动特征提取,以便更准确地做出窗口长度决定.

主要方法:

• 为SSVEP分析提出了基于强化学习 (RL) 的动态窗口方法.
• RL代理学习了一种策略,以优化窗口扩展决策,基于它们对ITR的影响.
• 利用神经网络进行自动特征提取,增强动态窗口长度选择.

主要成果:

• 新的基于RL的动态窗口方法在与现有的动态窗口技术相比显示出更高的性能.
• 在两个公共SSVEP数据集上的实验验证证证了拟议方法的有效性.
• RL方法获得了最高的性能,表明其在推进SSVEP-BCI技术方面的潜力.

结论:

• 强化学习为优化SSVEP-BCI中的动态窗口选择提供了一个强大的,无假设的方法.
• 拟议的方法提高了决定窗口长度扩展的准确性,并改善了整体ITR.
• 这一基于RL的战略代表了SSVEP-BCI性能和适应性的重大进步.