基于EEG的BCI数据的里曼平均场分类器

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 里曼的最小距离到平均值 (MDM) 分类器因其在基于脑电图的脑电脑接口 (BCI) 中的稳定性和准确性而得到广泛认可.
• MDM分类器以其简单性,决定性性质,噪声稳定性,计算效率和适合转移学习而闻名.
• 目前的MDM培训依赖于计算每个类型对称正确定义 (SPD) 矩阵的几何平均值.

研究的目的:

• 建议对里曼的MDM分类器进行增强版本.
• 通过利用SPD矩阵的功率平均值而不是仅仅是几何平均值来提高BCI性能.
• 通过各种BCI范式和大量参与者队列验证拟议的分类器的有效性.

主要方法:

• 该研究提出了一种新型分类器,该分类器包含SPD矩阵的多个功率平均值.
• 增强分类器使用20个公开的BCI数据库 (10个机动图像,10个P300范式) 进行了评估.
• 总共分析了587个人的数据,以评估分类器的性能.

主要成果:

• 拟议的基于功率平均值的分类器与标准的MDM分类器相比显示出更高的性能.
• 增强的分类器实现了接近最先进的性能水平.
• 分类器保持了原始MDM的简单性和决定性特征.

结论:

• 提议对里曼的MDM分类器的提升为基于EEG的BCI提供了更好的准确性.
• 利用SPD矩阵的功率介质是提高BCI分类的有效策略.
• 该代码的开源发布将促进BCI领域的可重复性研究.