随机性作为超的解决方案 - 一个新的模型和对非侵入性EEG前景的比较研究
Yousef A Radwan1, Eslam Ahmed Mohamed1, Donia Metwalli1
1Center for Informatics Science (CIS), School of Information Technology and Computer Science, Nile University, Sheikh Zayed City, Giza, Egypt.
Frontiers in human neuroscience
|February 10, 2025
概括
内言 脑电脑接口 (BCI) 是一个有前途的技术. 一个新的分类器,BruteExtraTree,在取决于主体的场景中实现了46.6%的准确性,超过了当前的方法.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 大脑与计算机的接口
背景情况:
- 内部语音信号对于实际的脑计算机接口 (BCI) 应用至关重要,但难以破译.
- 取决于个体的变化和高噪音水平阻碍了BCI的发展.
研究的目的:
- 评估机器学习 (ML) 和深度学习 (DL) 模型的内在语言BCI.
- 为了解决过度匹配问题,并提高内言BCI的准确性.
主要方法:
- 利用公开可用的数据集,使用流行的预处理方法来提取特征.
- 根据ExtraTreeClassifier提出并评估了一个新的分类器BruteExtraTree.
- 将BruteExtraTree与ShallowFBCSPNet.net等深度学习模型进行比较.
主要成果:
- 在主体独立的场景中,BruteExtraTree实现了32%的准确性,与最佳DL模型相匹配.
- 在取决于对象的场景中,BruteExtraTree超越了最先进的技术,平均每人准确率为46.6%.
- 结果表明,在内在言语BCI中可能出现一个新的范式,灵感来自LLM预培训.
结论:
- 内言BCI显示出显著的潜力,特别是在主体依赖的配置中.
- 进一步的进步需要改进数据记录或降噪技术,以便在实践中独立于主题的应用.
