动感运动图像水平的表征和分类

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:

• 动感运动图像 (KMI) 对基于脑电图 (EEG) 的脑电脑接口 (BCI) 至关重要.
• 当前的BCI在高精度的多命令执行方面面临挑战,通常由于依赖初级运动皮质信号而受到限制.
• 开发基于非运动皮质的KMI分类对于扩大BCI能力至关重要.

研究的目的:

• 描述和分类EEG信号用于多层次肌肉收缩KMI.
• 为了实现准确的分类,而无需使用初级运动皮层信号.
• 引入一种基于赫斯特指数的新方法用于EEG信号分析.

主要方法:

• 在物理和KMI条件下,在四个收缩水平 (0-70%) 的手握任务中记录了EEG信号.
• 独立组件分析 (ICA) 用于信号预处理.
• 三个赫斯特指数算法 (HO,HRS,HV) 用于信号表征,然后使用七个算法 (kNN,MP,SVM,NB,RF,BN,RT) 进行分类.

主要成果:

• 赫斯特指数算法的组合使用k-最近邻居 (kNN) 实现了96.42%的最大精度.
• 其他分类器,如多层感知器 (MP) 和支持矢量机 (SVM) 也表现出高精度 (92.85%).
• 该方法成功地在没有运动皮层信号的情况下分类了多层次的肌肉收缩.

结论:

• 提出的基于赫斯特指数的方法是有效的特征和分类多层肌肉收缩KMI.
• 这种方法证明了基于EEG的非二进制BCI应用的可行性.
• 这些发现突显了高级BCI控制策略的潜力,这些策略独立于运动皮层活动.