用机器学习方法提高电动形脑计算机接口的性能,使用对体感事件相关潜力的多通道特征的机器学习方法

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:

• 传统的触觉脑电脑接口 (BCI) 使用稳定状态体感官唤起的潜能,在准确性和数据传输速度方面面临限制.
• 产生体感事件相关潜能 (SERP) 的电感刺激为触觉BCI控制信号提供了一个有前途的替代方案.

研究的目的:

• 通过对sERP信号应用先进的特征提取和机器学习来优化新型电性BCI的性能.
• 根据在感官运动皮层上记录的EEG信号来对用户的选择性触觉注意力进行分类.

主要方法:

• 利用顺序前向选择 (SFS) 来从五个EEG通道的时间SERP波形中提取特征.
• 使用后勤回归,k-最近邻居,支向量机器,随机森林和人工神经网络系统地评估分类性能.
• 研究了刺激数量对分类准确度和信息传输速度的影响.

主要成果:

• 与以前的研究相比,在分类准确度方面取得了显著的改进.
• 证明,减少sERP生成的刺激数量可以增加信息传输速率,而不会显著降低准确度.
• 通过10个刺激达到90%以上的准确性,通过6个刺激达到7%以下的准确性下降,同时使用支持向量机分类器增加了60%的信息传输速率.

结论:

• 开发了基于事件相关潜力的触觉BCI控制的先进方法.
• 优化SERP引发,特征提取和分类对于在辅助BCI应用中平衡准确性和速度至关重要.
• 电气诱导的sERP代表了反应性BCI的研究不足但有价值的控制信号模式.