基于电动图像的脑电脑接口的基于电张器分解的通道选择
1Department of Electronic Information Engineering, School of Information Engineering, Nanchang University, Nanchang, 330031 Jiangxi China.
Cognitive neurodynamics
|November 13, 2024
概括
一种基于张量分解的新通道选择 (TCS) 方法改善了大脑计算机接口 (BCI) 对运动图像 (MI) 任务的性能. 这种方法通过保留在传统方法中丢失的关键空间,时间和频率信息来提高分类准确性.
科学领域:
- 神经科学和生物医学工程
- 大脑与计算机接口 (BCI) 技术
- 信号处理和机器学习
背景情况:
- 大脑计算机接口 (BCI) 依赖电极通道数量来实现性能和可用性.
- 现有的运动图像 (MI) BCI 的通道选择方法经常使用矩阵分析,从EEG信号中丢失重要的时空频率交互信息.
- 有效的道选择对于优化BCI性能和实际应用至关重要.
研究的目的:
- 引入和评估基于张量分解的通道选择 (TCS) 方法,用于运动成像 (MI) 的BCI.
- 调查TCS是否可以在空间,时间和频率领域保存交互式信息.
- 将拟议的TCS方法与传统的频道选择技术的性能进行比较.
主要方法:
- 从使用波形变换的单次试验EEG信号构建了一个三向张量.
- 调节的正规多元分解 (CPD) 被应用来将张量分解为因子矩阵.
- 频道因子矩阵根据相关性告知了频道选择; 规则化的共同空间模式 (RCSP) 和支持矢量机器 (SVM) 用于特征提取和分类.
主要成果:
- 拟议的TCS-RCSP算法与所有通道 (AC-RCSP) 的RCSP (86.3%,p < 0.01) 相比,整体准确率 (94.4%) 显著提高 (86.3%,p < 0.01).
- 基于相关性道选择 (CCS-RCSP) 选择的通道的TCS-RCSP也超过了RCSP (90.2%,p < 0.05).
- 结果表明TCS在分类MI任务中的卓越有效性.
结论:
- 基于张量分解的通道选择 (TCS) 是MIBCI的一个有效方法.
- 在多个领域中,TCS保留了基本的交互信息,从而提高了分类准确性.
- TCS-RCSP算法为实际和高性能BCI应用提供了一个有前途的进步.
