DGPDR:用于EEG分类的Riemannian多元体上的SPD矩阵的歧视性几何感知维度缩小
Ming Meng1,2, Guanzhen Chen2, Siqi Chen2
1International Joint Research Laboratory for Autonomous Robotic Systems, Hangzhou Dianzi University, Hangzhou, Zhejiang, China.
Computer methods in biomechanics and biomedical engineering
|March 14, 2025
概括
这项研究引入了使用脑电图 (EEG) 数据的脑电图接口 (BCI) 的新方法. 该方法通过减少维度,提高BCI应用中的准确性来增强对称正定量 (SPD) 矩阵分类.
科学领域:
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 对称正确定位 (SPD) 矩阵在脑计算机接口 (BCI) 应用中用于分类脑电图 (EEG) 信号.
- 现有的SPD矩阵方法可能会导致EEG数据的大量信息丢失,这可能会阻碍分类准确性.
研究的目的:
- 为从EEG信号中获得的SPD矩阵提出一种新的缩小维度的技术.
- 通过在里曼的多元体上使用歧视性几何感知来增强SPD矩阵的可分辨性.
- 为了提高脑计算机接口 (BCI) 应用程序的分类性能.
主要方法:
- 基于歧视性几何感知开发了一种新的缩小维度的方法.
- 该方法运行在SPD矩阵的里曼数组上.
- 该方法旨在保护和增强缩小尺寸的SPD矩阵的区分性质.
主要成果:
- 在BCI竞争IV数据集1上进行的实验显示,分类准确度有5.0%的改善.
- 对BCI竞争IV数据集2a的实验表明,分类准确度显著增加了19.38%.
- 提出的方法有效地保持了强大的性能与缩小尺寸的SPD矩阵.
结论:
- 歧视性几何感知方法有效地提高了基于EEG的BCI中的SPD矩阵可区分性.
- 这种方法提供了一个有前途的解决方案,以减轻与BCI应用中的SPD矩阵相关的信息丢失.
- 拟议的技术可以大大提高EEG信号处理的分类准确性.
