解码运动图像加载到稳定状态的体感官唤起潜能,基于复杂的任务相关组件分析

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:

• 运动图像 (MI) 识别对于大脑与计算机接口 (BCI) 是至关重要的.
• 具有稳定状态体感唤起潜力的MI (MI-SSSEP) 范式的MI提供了比传统MI更高的准确性.
• 现有的算法经常忽视MI-SSSEP信号特征,限制性能和增加错误触发器.

研究的目的:

• 为MI-SSSEP信号处理开发一个先进的算法.
• 为了提高运动图像识别的准确性.
• 为了减少使用MI-SSSEP范式的BCI中的错误触发率.

主要方法:

• 建议复杂的信号任务相关组件分析 (cTRCA) 用于SSSEP信号的空间过.
• 通过使用模拟和实验MI-SSSEP数据,验证了cTRCA与传统任务相关组件分析 (TRCA) 的有效性.
• 测试了算法在识别右手任务中的性能,与三个干扰任务对比,以评估错误触发率.

主要成果:

• 该cTRCA算法,结合基于相互信息的最佳个体特征 (MIBIF) 和最小距离平均值 (MDM),实现了0.89.8的曲线下面面积 (AUC).
• 这显著优于传统的 Common Spatial Pattern (CSP) 与 Support Vector Machine (SVM) 算法,其平均 AUC 为 0.77 (p < 0.05).
• 与CSP+SVM相比,基于cTRCA的模型将错误触发率从38.69%降至20.74% (p < 0.001).与CSP+SVM相比,基于cTRCA的模型将错误触发率从38.69%降至20.74% (p < 0.001).

结论:

• 这项研究表明,TRCA对MI-SSSEP信号特征敏感.
• 在MI-SSSEP范式内,运动图像任务会诱导唤起潜力的相变.
• 该cTRCA算法有效地利用这些相位变化,证明更适合MI-SSSEP范式,改善运动图像解码,减少错误触发.