精细粒度的空间-频率-时间框架用于运动图像的大脑-计算机接口

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:

• 运动影像大脑计算机接口 (MI-BCI) 对神经康复有希望,但在实用性和解释性方面面临挑战.
• 现有的方法经常使用粗粒度细分,限制性能.

研究的目的:

• 提出一个新的细粒度空间频时间 (FGSFT) 框架,以提高MI-BCI的效率和可靠性.
• 通过神经过程的详细可视化来提高MI-BCI的解释性.

主要方法:

• 通过多尺度时间频率和空间细分处理的多通道MI EEG记录,以创建细粒度的空间频率时间段 (SFTS).
• 基于封装的特征选择识别了关键的SFTS.
• 基于分歧的常见空间模式与类内规范化提取特征,由线性支向量机器 (SVM) 分类.

主要成果:

• 在FGSFT框架下,在BCI IV IIa和SDU-MI数据集上实现了最先进的性能,显著提高了信息传输速率 (ITR).
• 空间细分策略通过更多的电极提高了MI-BCI性能.
• 为个性化MI-BCI开发生成细粒度运动图像时间频率反应图 (MI-TFRMs) 和地形图.

结论:

• 在FGSFT框架显著提高MI-BCI准确性,ITR和互操作性.
• 允许对特定主体的神经动态进行可视化,促进个性化的MI-BCI设计.
• 为未来的神经科学研究和神经康复和辅助技术的临床应用铺平了道路.