截面加载常见的空间模式与皮尔森相关系数基于特征选择,以高效的机动图像分类
Hanaa S Ali1, Asmaa I Ismail2, El-Sayed M El-Rabaie2
1Electronics and Communication Engineering Department, Faculty of Engineering, Zagazig University, Egypt.
Computer methods in biomechanics and biomedical engineering
|January 31, 2025
概括
这项研究引入了改进的脑计算机接口 (BCI) 方法,使用调节的共同空间模式 (DL-CSP) 和皮尔森相关系数 (PCC) 特性选择进行运动图像EEG (MI-EEG) 分析. 这种新的方法增强了神经系统疾病患者的沟通能力.
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:
- 大脑-计算机接口 (BCI) 为患有神经系统障碍的人提供通信解决方案.
- 共同空间模式 (CSP) 是一个标准的BCI特征提取技术,但受到噪音易感性和过度装配的影响.
- 高维和无关的特征阻碍了BCI中有效的分类器学习.
研究的目的:
- 开发一种改进的特征提取方法,用于运动图像电脑电图 (MI-EEG) 信号.
- 提高神经疾病患者BCI的准确性和稳定性.
- 在BCI应用中克服传统的CSP方法的局限性.
主要方法:
- 引入了对角负载 (DL-CSP) 的规范化CSP,用于特征提取.
- 使用的皮尔森相关系数 (PCC) 用于歧视性MI-EEG特征选择.
- 使用了一组分类器:双向长期短期记忆 (Bi-LSTM),K-近邻 (KNN) 和天真贝叶斯 (NB).
- 通过多数投票实现决策层面的融合,以提高系统的稳定性.
主要成果:
- 在三个公开的MI数据集中实现了86.96% (数据-1),91.70% (数据-2) 和85.75% (数据-3) 的分类准确度.
- 与现有最先进的技术相比,表现出卓越的性能.
- 在MI-EEG分析中验证了DL-CSP和PCC特征选择的有效性.
结论:
- 拟议的DL-CSP和PCC特征选择方法显著提高了MI-EEG分类的准确性.
- 组合分类与决策级融合增强BCI系统的稳定性和性能.
- 这种方法为BCI应用提供了有前途的进步,特别是对于需要替代通信方法的个人.
