头皮EEG大脑连接在运动图像解码中的作用,用于BCI应用程序

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:

• 多通道脑电图 (EEG) 脑连接 (BC) 特性被探索为机动图像 (MI) 解码在脑计算机接口 (BCI).
• 对于MI解码,BC特征与单通道EEG特征的比较优势尚不清楚.
• 了解BC网络中的中央节点与有影响力的EEG通道之间的关系对于优化BCI性能至关重要.

研究的目的:

• 调查BC网络中中央节点与MI解码中具有影响力的单通道EEG特征之间的关系.
• 为了比较源与传感器空间中的BC特征的解码精度.
• 为了评估MI分类的不同BC特征 (相锁定值,格兰杰因果关系,加权相滞后指数) 的性能.

主要方法:

• 利用了三个BC特征:相锁定值 (PLV),格兰杰因果关系和加权的相滞后指数.
• 研究了BC网络中节点的中心性及其与通过共同空间模式 (CSP) 过识别的有影响力的EEG通道的重叠.
• 使用传感器空间中的BC特征与BCI Competition VI数据集2a上的源空间中的BC特征进行MI解码精度比较 (左手与右手MI).

主要成果:

• 在传感器空间的相锁定值 (PLV) 在评估的BC特征中产生了最高的分类准确性.
• 在传感器空间中的PLV表现出与单通道EEG特征相当的性能.
• 从传感器到源空间的BC特征的过渡导致了平均分类精度的降低.
• 网络拓分析显示,在BC测量中,左侧与右侧MI任务的模式相似.
• 在BC网络中的中央节点与在单通道分类中被认为具有影响力的通道部分重叠.

结论:

• 大脑连接功能,特别是传感器空间中的PLV,对于解码运动图像是有效的,性能与传统的单通道方法相提并论.
• 与传感器空间相比,对BC特征的源空间分析可能无法增强,并且可能会降低MI解码精度.
• 中央BC网络节点和有影响力的EEG通道之间的重叠表明了BCI开发中集成特征选择策略的潜力.