基于人工智能的BCI使用SSVEP信号与单通道EEG信号.
Venkatesh Kanagaluru1, Sasikala M2
1Department of Electronics and Communication Engineering, Sri Venkateswara College of Engineering, Pennalur, Sriperumbudur, Tamil Nadu, India.
概括
这项研究通过改进稳态视觉唤起潜力 (SSVEP) 分类来增强脑计算机接口 (BCI). 机器学习模型通过更少的EEG通道实现高精度,使BCI更实用.
科学领域:
- 神经科学和生物医学工程
- 信号处理和机器学习
背景情况:
- 大脑-计算机接口 (BCI) 便于直接的大脑-设备通信.
- 稳态视觉唤起潜能 (SSVEPs) 为BCI提供快速通信和最小的校准.
- 现有的SSVEP分类方法在现实场景中使用有限的EEG通道时难以准确.
研究的目的:
- 通过使用机器学习,提高在BCI中的SSVEP信号分类准确性.
- 从SSVEP数据中提取主导频率特征,以改进分类.
- 为了减少实际BCI应用所需的EEG通道的数量.
主要方法:
- 使用了来自清华BCI实验室的基准数据集,使用了64个EEG通道.
- 应用波波分解 (db4) 来从Oz通道中提取频率特征 (7.8-15.6 Hz).
- 使用决策树 (DT),线性差异分析 (LDA) 和支向量机 (SVM) 模型分类提取的特征.
主要成果:
- 实现了高分类准确度:DT的95.8%,LDA和SVM的96.7%.
- 与现有的SSVEP分类技术相比,表现出显著的性能改善.
- 验证了拟议的特征提取和分类方法的有效性.
结论:
- 使用机器学习的SSVEP分类显著提高了BCI的准确性和效率.
- 波形分解和机器学习为基于SSVEP的BCI提供了强大的方法.
- 开发的方法显示了辅助技术和各种BCI应用的巨大潜力.
