脑电图信号预测用于脑电脑接口中的运动图像分类
Óscar Wladimir Gómez-Morales1,2, Diego Fabian Collazos-Huertas2, Andrés Marino Álvarez-Meza2
1TECED-Research Group, Faculty of Systems and Telecommunications, Universidad Estatal Península de Santa Elena, Avda. La Libertad, La Libertad, Santa Elena 7047, Ecuador.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
这项研究引入了使用运动图像 (MI) 的脑计算机接口 (BCI) 的新方法. 它准确地从更少的脑电图 (EEG) 通道分类大脑信号,减少了设置时间和成本.
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:
- 大脑计算机接口 (BCI) 通常需要许多脑电图 (EEG) 通道来准确分类运动图像 (MI).
- 高密度EEG系统是昂贵的,耗时的设置,易受损坏的电极的数据丢失的影响,限制了实际应用.
研究的目的:
- 开发一种基于信号预测的方法,用于使用减少数量的EEG通道进行高精度MI分类.
- 评估弹性净回归的有效性,以预测来自最小的中央通道集的全通道EEG信号.
主要方法:
- 使用弹性净回归开发了一个信号预测模型.
- 来自8个中央通道的EEG信号被用来估计来自22个完整通道的信号.
- 预测的EEG信号被用于特征提取和MI分类.
主要成果:
- 拟议的预测方法实现了平均MI分类准确率为78.16%.
- 研究对象的表现各不相同,从62.30%到95.24%不等.
- 该方法在MI分类方面优于传统的少数频道和全频道EEG方法.
结论:
- 信号预测方法可以使用减少的EEG通道集来准确地分类MI.
- 这种方法显著减轻了与高密度EEG系统相关的时间和成本限制.
- 这些发现支持实际实施基于MI的BCI,使用更少的电极.
