通过将MEG与EEG结合起来,增强了空间划分多重访问BCI性能

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:

• 脑电脑接口 (BCI) 中的空间分割多重访问 (SDMA) 受到电脑学 (EEG) 空间分辨率差的限制.
• 磁脑电图 (MEG) 提供了更好的空间分辨率,但其与SDMA-BCI的EEG集成尚未完全探索.

研究的目的:

• 开发和评估一个16个命令的SDMA编码的BCI系统,使用MEG和EEG信号的融合.
• 研究部区域MEG和EEG信号的时空特征.
• 为了比较只有EEG,只有MEG和MEG-EEG融合模式的性能.

主要方法:

• 在视觉刺激任务期间,从10个受试者中同步获取MEG和EEG信号.
• 在部区域的时空特征的分析.
• 在没有先前信号处理的情况下融合MEG和EEG模式.
• 使用多类歧视法典模式匹配 (Multi-DCPM) 算法进行评估.

主要成果:

• 对于4s数据长度的16个固定点,MEG显示出优越的离线分类准确度 (比EEG提高了27.81%).
• MEG-EEG融合模式实现了91.71%的平均线下准确度,显著优于MEG (p<0.01,ANOVA).
• 融合模式的平均信息传输速率 (ITR) 为60.74比特/分钟,数据长度为1秒,比MEG增加14%.

结论:

• MEG-EEG融合显著提高了SDMA编码的BCI的空间特征和整体性能.
• 开发的融合模式BCI系统显示出高潜力和可行性,可用于实际应用.
• 这项研究为推进BCI技术中的SDMA应用提供了有价值的见解.