通过结合任务相关组件分析和深度神经网络来提高基于SSVEP的BCI的性能.
Qingguo Wei1, Chang Li2, Yijun Wang3
1Jiangxi Provincial Key Laboratory of Intelligent Systems and Human-Machine Interaction, Department of Electronic Engineering, School of Information Engineering, Nanchang University, Nanchang, 330031, China. wqg07@163.com.
Scientific reports
|January 3, 2025
概括
本研究介绍了eTRCA+sbCNN,这是一个结合传统和深度学习的新型框架,用于稳态视觉唤起潜力 (SSVEP) 大脑-计算机接口. 这种混合方法显著提高了SSVEP信号识别的准确性.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 稳态视觉唤起潜力 (SSVEP) 信号对于大脑与计算机接口 (BCI) 是至关重要的.
- 传统的机器学习和深度学习网络为SSVEP解码提供了明显的优势.
- 目前,这些方法在SSVEPBCI中缺乏有效的整合策略.
研究的目的:
- 提出和验证一个有效的框架,将SSVEP信号识别的传统和深度学习方法结合起来.
- 通过利用不同算法的互补优势,提高基于SSVEP的BCI的性能.
主要方法:
- 提出了一个新的分类框架,eTRCA+sbCNN,它集成了集体任务相关组件分析 (eTRCA) 和子频段卷积神经网络 (sbCNN).
- 无论是eTRCA还是sbCNN模型都是独立训练的.
- 从两个模型的分类得分向量被加起来,并选择了总得分最高的SSVEP频率.
主要成果:
- 与单个eTRCA和sbCNN模型相比,eTRCA+sbCNN框架显著提高了分类性能.
- 在两个SSVEPBCI数据集上的验证表明与最先进的方法相比,性能优越.
- 提出的方法有效地利用了两种方法的特征信号的互补性.
结论:
- eTRCA+sbCNN框架为SSVEPBCI集成传统和深度学习方法提供了一个有效的策略.
- 这种方法显著提高了SSVEP分类的准确性,促进了SSVEP-BCI系统的实际应用.
