一种基于侧面化指数的多层集成EEG通道选择方法

科学领域:

• 神经科学和生物医学工程
• 信号处理和机器学习

背景情况:

• 优化频道选择对于便携式脑电脑接口 (BCI) 技术至关重要.
• 在不牺牲解码精度的情况下减少电极数量是一个重大挑战.
• 现有的方法往往会增加计算负载,忽视跨主题通道选择.

研究的目的:

• 引入基于侧面化指数 (MLI-ECS-LI) 的新型多层集成EEG通道选择方法.
• 为了在机器图像BCI (MI-BCI) 中实现跨任务和跨主题场景的有效道选择.

主要方法:

• 开发了MLI-ECS-LI方法,使用横向化指数来识别重要的道.
• 时间和频率域特征从由MLI-ECS-LI.LI选择的频道中提取.
• 运动类型使用最小平方支持向量机 (LSSVM),随机森林 (RF) 和支持向量机 (SVM) 进行分类.

主要成果:

• 与传统方法相比,MLI-ECS-LI方法在各种场景中显示出更好的解码精度.
• 平均准确度的提高在2.8%至9.2%之间,取决于分类器和场景 (单任务,交叉任务,交叉主题).
• 在21名健康受试者中观察到显著的性能增长,突出显示了该方法的稳定性.

结论:

• 拟议的MLI-ECS-LI方法有效地减少了频道选择,同时保持或提高解码精度.
• 这种方法提高了便携式MI-BCI系统的实用性和实用性.
• 通过解决道选择中的关键限制,MLI-ECS-LI显示了现实世界BCI应用的巨大潜力.