推进SSVEP-BCI解码:通过ELM-AE进行跨主题转移学习和简短校准方法

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 稳态视觉唤起潜力 (SSVEP) 是高速脑计算机接口 (BCI) 的关键.
• 脑电图信号的不同个体之间的变化使BCI校准变得复杂,新用户需要大量的时间.
• 现有的线性转换方法难以捕捉复杂的非线性EEG数据关系.

研究的目的:

• 为基于SSVEP的BCI开发一种使用极端学习机器自编码器 (ELM-AE) 的非线性转换 (NLT) 方法.
• 为了提高跨主体识别的准确性,并减少对目标主体的校准时间.
• 从源实验对象的试验映射到目标实验对象的模板,以提高BCI性能.

主要方法:

• 实现了一个极端学习机器自编码器 (ELM-AE) 用于SSVEP试验的非线性转换 (NLT).
• 从现有受试者 (来源受试者) 的试验映射到目标受试者的一个或几个模板.
• 对线性标准转换 (LST) 对跨学科分类进行NLT方法的评估.

主要成果:

• 通过NLT方法,通过一个模板实现了平均84.23%的确认准确率.
• 在所有模板大小和所有35个科目中,NLT的表现优于LST.
• 与LST相比,NLT表现优越,平均准确率为84.23%,而LST使用一个模板的平均准确率为82.19%.

结论:

• 使用ELM-AE的非线性转换 (NLT) 是基于SSVEP的BCI的一个可行的方法.
• 在NLT方法有效地提高跨主题识别和缩短校准时间.
• 使用一个或几个模板与NLT使新的BCI用户能够快速校准.