相关实验视频
Updated: Jun 18, 2026
07:37
Assessment and Communication for People with Disorders of Consciousness
Published on: August 1, 2017
9.0K
针对脑-计算机接口应用程序的事件相关光学信号的单试检测和分类
Nicole Chiou1, Mehmet Günal2, Sanmi Koyejo1
1Department of Computer Science, Stanford University, Stanford, CA 94305, USA.
Bioengineering (Basel, Switzerland)
|August 29, 2024
概括
与事件相关的光学信号 (EROS) 显示出大脑与计算机接口的前景. 深度学习模型在使用EROS数据对单次试验的电机反应进行分类时达到63%的准确性,为新的BCI应用铺平了道路.
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:
- 与事件相关的光学信号 (EROS) 为测量神经元活动提供高空间和时间分辨率.
- 在脑电脑接口 (BCI) 中,EROS有潜在的应用.
- 单一试验对EROS数据的分类仍然是一个未经探索的领域.
研究的目的:
- 评估神经网络方法的性能,用于单次试验的运动反应相关EROS的分类.
- 调查使用深度学习用于基于EROS的BCI应用程序的可行性.
主要方法:
- 使用了高密度的录音组合,覆盖了运动皮层.
- 使用卷积神经网络 (CNN) 来从EROS数据中提取时空特征.
- 从EROS阶段和强度数据中分类的左和右运动反应在反应时间任务中.
主要成果:
- 在EROS阶段数据上训练的特定主体CNN分类器实现了平均单次试验分类准确率约为63%.
- 分类性能受到强度数据中的噪声降低的显著影响.
- 通过使用高空间分辨率的EROS信号,CNNs成功地证明了对单次试验分类的应用.
结论:
- 深度学习模型,特别是CNN,对于单次试验分类电机EROS是有效的.
- EROS数据,特别是阶段信息,可以用于开发先进的BCI系统.
- 为了优化BCI性能,需要对降噪和从EROS数据中提取特征进行进一步的研究.
