使用功能连接图和机器学习模型对想象语音信号的分类
1Department of Electrical Engineering, Indian Institute of Technology Roorkee, Roorkee, Uttarakhand, 247667, India. anand_m@ee.iitr.ac.in.
Brain topography
|January 28, 2025
概括
本研究介绍了一种想象语音功能连接图 (ISFCG) 方法,以提高脑计算机接口 (BCI) 的准确性. 通过分析功能连接,ISFCG增强了复杂大脑信号的分类,克服了当前方法的局限性.
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
- 机器学习 机器学习
背景情况:
- 大脑-计算机接口 (BCI) 的目标是解码用于设备控制的神经信号.
- 使用脑电图 (EEG) 进行想象语音分类是具有挑战性的,因为信号的复杂性和可变性.
- 目前的方法在低信号噪声比率和主体间差异方面扎.
研究的目的:
- 开发一种新的方法,以改善BCI中的想象语音分类.
- 解决处理复杂和杂的EEG数据的现有方法的局限性.
- 为了利用功能性大脑连接来实现更准确的语音解码.
主要方法:
- 实现一个想象语音功能连接图 (ISFCG) 来表示神经数据.
- 提取基于图形的特征,在想象的语言中捕捉大脑区域之间的关系.
- 卷积神经网络 (CNN) 用于特征学习和分类的应用.
主要成果:
- 该ISFCG方法有效地捕捉复杂的大脑相互作用在想象的演讲.
- 拟议的CNN模型利用ISFCG特征,实现了更高的分类准确性.
- 在基准数据集上的实验验证证证了该方法的有效性.
结论:
- ISFCG方法为分析和分类想象语音信号提供了一个有希望的替代方案.
- 专注于功能连接可以提高BCI系统的稳定性和准确性.
- 这种方法有可能推进用于通信的神经解码领域.
更多相关视频
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
7.2K
08:51Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms
Published on: November 1, 2019
5.6K
