针对大脑与计算机接口的儿科用户的基准运动图像算法

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
• 计算机科学 计算机科学

背景情况:

• 脑电脑接口 (BCI) 为神经障碍儿童提供了重要的沟通和控制.
• 当前的BCI算法开发往往忽视了儿科用户的需求和发育差异.

研究的目的:

• 在儿科数据集上评估12个最先进的运动图像分类算法的性能.
• 确定适合儿童BCI应用的算法和潜在的年龄相关影响.

主要方法:

• 测试了12个运动图像分类算法,对94名典型发育儿童 (5-17岁) 的三个数据集进行了测试.
• 在不同的算法和年龄组中比较性能指标,包括曲线下的面积 (AUC).

主要成果:

• 非深度学习算法通常表现优于深度学习算法 (平均AUC为0.64-0.65与0.57).
• 过器银行共同空间模式 (FBCSP) 和ShallowConvNet显示出显著的年龄影响.
• 6岁以下的儿童表现出可测量的运动图像激活 (AUC高达0.8).

结论:

• 儿科用户可以为BCI使用产生可靠的运动图像信号.
• 现有的BCI算法需要对儿科患者群体进行评估和潜在的适应,特别是考虑到EEG模式的发育变化.
• 需要进一步的研究来优化BCI算法对年轻用户.