在运动图像中的应用 脑-计算机接口的模式

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:

• 电脑电图 (EEG) 信号在运动图像大脑计算机接口 (MI-BCI) 中是复杂的和非线性的,这给传统的线性信号处理方法带来了挑战.
• 信息,由于其非线性特征,为捕捉EEG信号的动态行为提供了优越的方法,克服了线性方法的局限性.
• 对各种类型缺乏系统描述和不清楚的应用场景,阻碍了它们在MI-BCI研究中的最佳利用.

研究的目的:

• 系统地审查和总结在运动图像大脑计算机接口 (MI-BCI) 中度的应用.
• 澄清MI-BCI中常用的测量的特定角色,功能和应用范围.
• 提供有关当前趋势的见解,并确定MI-BCI中基于的特征提取的未来研究方向.

主要方法:

• 2019年至2023年间发表的63篇高质量的研究文章的综合文献综述,重点关注MI-BCI中的.
• 标识和总结13种常用的度量,详细说明它们的名称,功能和应用范围.
• 对单个和组合特征的使用频率的分析,以及对分类准确度改进和数据集利用策略的检查.

主要成果:

• 样本,香农,模糊,顺序和近似是MI-BCI研究中最常使用的特征.
• 大多数研究都使用单一的特征 (79.7%),两三种特征的组合较少见.
• 整合特征显著提高了8-10%的模式分类准确性,大多数研究 (67%) 依赖公共数据集进行验证.

结论:

• 需要进一步的研究来阐明各种特征对不同MI-BCI问题的具体影响,从而澄清它们的应用场景.
• 对推进MI-BCI性能而言,透特征非常有前途,预计在未来的各种应用中将发挥关键作用.
• 对测量的系统理解将促进在脑计算机接口开发中更有效,更有针对性的应用.