基于EEG的交叉主体运动图像识别用于患者康复
概括
这项研究引入了运动图像 (MI) 识别的新框架,提高了用于康复的大脑与计算机接口的准确性. 该方法有效地减少了个体差异,增强了跨主体MI分类,以更好地支持患者.
科学领域:
- 神经科学是一个神经科学.
- 康复工程 康复工程
- 机器学习 机器学习
背景情况:
- 运动图像 (MI) 识别对于康复技术至关重要.
- 患者和健康受试者的个体差异降低了跨主体MI识别准确度.
- 现有的无监督域适应 (UDA) 方法在源域选择和边界分类方面存在困难.
研究的目的:
- 提出一个新的UDA框架,以提高跨主体运动图像识别的准确性.
- 解决边界MI样本源域选择和分类方面的挑战.
- 为了提高MI识别的精度,以实现有效的康复.
主要方法:
- 开发了一个UDA框架,包括因果图形模型和标签相似性聚类.
- 使用因果图形模型来估计因果源域选择的EEG信号相似性.
- 采用标签相似性聚类来建立一个独特的分类界限.
主要成果:
- 拟议的框架显著超过了基线方法.
- 在BCI IV-2a上获得了10.10%的性能改善,在BCI IV-2b上获得了16.27%的性能改善.
- 通过有效避免混源域和完善边界分类,证明了更高的分类准确性.
结论:
- 新的UDA框架有效地减轻了个人在MI认可方面的差异.
- 整合因果图形模型和标签相似性聚类可以提高分类精度.
- 这种方法有望通过准确的MI识别和积极的支持来推进康复.
