在运动图像中的联合多功能提取和转移学习脑电脑接口
1Department of Integrated Traditional Chinese and Western Medicine, Xi'an Children's Hospital, Xi'an, China.
Computer methods in biomechanics and biomedical engineering
|September 17, 2024
概括
这项研究引入了运动图像脑计算机接口 (BCI) 系统的新方法,将常见空间模式 (CSP) 和波束包转换 (WPT) 与转移学习 (TL) 结合起来. 该方法显著提高了EEG信号对象对象传输的准确性.
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:
- 运动图像大脑计算机接口 (BCI) 系统对于人机交互至关重要.
- 个体对个体的变化对强大的BCI性能构成重大挑战.
研究的目的:
- 为运动图像BCI系统开发一种新的方法,以克服从主体到主体的传输挑战.
- 通过整合先进的特征提取和转移学习技术来提高EEG信号分类的准确性.
主要方法:
- 联合多功能提取,结合共同空间模式 (CSP) 和波形包转换 (WPT).
- 转移学习 (TL) 的应用,以利用非目标学科的知识来确定目标学科的EEG.
- 使用CSP用于EEG信号的空间特征和WPT用于EEG信号的时间频率特征.
主要成果:
- 在BCI竞争III的数据集IVa上获得了93.4%的平均分类准确度.
- 在运动成像BCI中表现优于五种最先进的方法.
- 证明了将CSP和WPT与知识转移相结合的有效性,以提高EEG信号分类.
结论:
- 拟议的方法为运动图像BCI.主体对主体传输挑战提供了一种新的解决方案.
- 将CSP和WPT与转移学习相结合,可以显著提高EEG信号分类的准确性.
- 该框架通过从未标记的数据中实现辅助学习来促进创新实施.
