通过相关的会话转移来提高会话间的性能,以对多会话的运动图像进行分类.

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:

• 基于脑电图 (EEG) 的脑电脑接口 (BCI) 允许通过运动成像 (MI) 控制外部设备.
• 脑电图信号的非静止性,或会话间的变性,显著阻碍了个人用户在多个会话中BCI的性能.
• 现有的方法很难有效地适应这些随时间变化的信号.

研究的目的:

• 引入和评估一种新的相关会话转移 (RST) 方法,以减轻多会话MI分类中的会话间变化.
• 为了提高基于EEG的BCI的稳定性和准确性,用于实际应用.

主要方法:

• 开发了相关的会话转移 (RST) 方法,利用等号相似性将相关数据从以前的会话转移到当前的会话.
• 与自校准方法 (仅当前会话数据) 和整个会话传输方法 (所有先前会话数据) 进行RST比较.
• 在公共MI数据集 (Shu数据集) 和来自健康和脊髓损伤参与者的步态相关MI定制数据集上验证的方法.

主要成果:

• 与自校准方法相比,RST方法显示了统计学上显著的改进:在Shu数据集上2.29% (p < 0.001) 和在定制数据集上高达6.37%.
• 在Shu数据集上,RST的表现优于之前的最先进方法.
• 这些结果证实了RST在提高多会话MI分类性能方面的有效性.

结论:

• 拟议的相关会话转移 (RST) 方法有效地解决了运动图像BCI中的EEG非静止性.
• RST提供了一个有前途的解决方案,可以在多个会话中提高BCI的可靠性和性能.
• 这一进步对实际的BCI应用具有重大影响,这些应用需要持续的用户交互.