改进基于EEG的跨主体精神工作负载分类性能,使用欧几里德对齐的周期性和非周期性特征

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
• 机器学习 机器学习

背景情况:

• 基于脑电图 (EEG) 的跨主题精神工作负载 (MWL) 监测面临挑战,因为新用户的性能下降.
• 传统的方法需要耗时和劳动密集的校准数据收集每一个新主体.
• 现有的功率光谱密度 (PSD) 特性往往与主体间的变异性作斗争.

研究的目的:

• 开发一种新的跨学科MWL分类模型,消除对校准数据的需求.
• 调查周期性和非周期性EEG组件作为MWL监测特征的有效性.
• 提高基于EEG的MWL系统的通用性和减少实际障碍.

主要方法:

• 脑电图数据被分解成周期性和非周期性组件,取代了传统的PSD特征.
• 用一种经过修改的欧几里德对齐方法来对齐这些新的特征.
• 使用对齐的特征构建了一个跨主题的MWL分类模型.

主要成果:

• 使用对齐的周期性和非周期性特征的拟议模型实现了0.791±0.077.7的分类精度.
• 这种精度明显优于未经调整的原始PSD特征 (0.731±0.086,p<0.05).
• 在静止状态周期性特征距离和分类准确性之间发现了显著的负相关性 (r=-0.472,p<0.001),这表明了对受试者选择的潜力.

结论:

• 使用对齐的周期性和非周期性EEG特征的新方法有效地实现了无校准的跨主题MWL分类.
• 利用静止状态数据可以选择最佳的源主体,以进一步改进目标主体的分类.
• 这种方法有望开发出更实用,更广泛的基于EEG的MWL监测系统.