SRRNet:未见的SSVEP响应回归从刺激到SSVEP-BCI中的交叉刺激转移的刺激

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:

• 基于稳态视觉唤起潜力 (SSVEP) 的脑电脑接口 (BCI) 面临由于长时间校准的挑战.
• 当前的交叉刺激转移方法与来自已见类的不精确SSVEP模板作斗争,影响性能.
• 现有的技术往往包含特定类别的活动和噪音,导致分类准确性降低.

研究的目的:

• 开发一种新的方法,用于为未见类构建准确的SSVEP模板,而不需要这些类的训练数据.
• 通过提高交叉刺激转移能力来提高SSVEP-BCI的性能和实际应用性.
• 解决现有的部件提取方法在生成可靠的SSVEP模板方面的局限性.

主要方法:

• 提出了SSVEP响应回归网络 (SRRNet),以学习参考信号和SSVEP模板之间的映射.
• 利用SRRNet重建SSVEP模板的看不见的类基于他们的相应的正弦-正弦值参考信号.
• 引入了SSVEP模板回归和空间过 (SRSF) 框架,将TRCA空间过器纳入用于增强预测.

主要成果:

• 拟议的SRRNet和SRSF框架在两个公共数据集上显著超过了最先进的方法.
• 实现了信息传输速率 (ITR) 的显著增加,从173.33比特/分钟增加到203.79比特/分钟.
• 证明了为未见的类生成有效的SSVEP模板的能力,改善交叉刺激转移性能.

结论:

• SRRNet有效地模拟了从参考信号回归到SSVEP模板的回归,使未见类的模板构建成为可能.
• 将回归模板与空间过方法集成,可以大大提高SSVEP-BCI中的交叉刺激传输.
• 开发的方法通过减少校准需求和提高性能来提高SSVEP-BCI的实际应用性.