一种基于任务相关组件和正规相关性分析 (H-TRCCA) 的新型混合方法,用于增强SSVEP识别
Amin Besharat1, Nasser Samadzadehaghdam1, Tahereh Ghadiri2
1Department of Biomedical Engineering, Faculty of Advanced Medical Sciences, Tabriz University of Medical Sciences, Tabriz, Iran.
Frontiers in neuroscience
|May 12, 2025
概括
本研究介绍了用于脑计算机接口 (BCI) 的混合任务相关组件和正规相关性分析 (H-TRCCA). H-TRCCA显著提高了准确性,并减少了稳定状态视觉唤起潜力 (SSVEP) BCI 的校准时间.
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:
- 稳态视觉唤起潜能 (SSVEP) 对脑计算机接口 (BCI) 至关重要.
- 针对SSVEPBCI的学科特定培训是耗时的,限制了实际应用.
- 在SSVEPBCI中准确识别目标频率面临着校准挑战.
研究的目的:
- 提出一种新的混合方法,H-TRCCA,以克服传统的SSVEPBCI培训的局限性.
- 通过减少校准要求,提高SSVEP BCI系统的准确性和效率.
- 以有限的培训数据来提高BCI的稳定性和性能.
主要方法:
- 开发了混合任务相关组件和规范相关性分析 (H-TRCCA),结合了CCA和TRCA.
- 利用k-means++集群来从CCA相关系数中识别候选刺激.
- 基于CCA和TRCA的综合相关系数用于最终的刺激选择.
主要成果:
- H-TRCCA仅在两个培训试验中实现了高准确度 (91.44%的数据集I, 80.46%的数据集II).
- 最高的平均信息传输速度达到188.36比特/分钟 (数据集I) 和139.96比特/分钟 (数据集II).
- H-TRCCA的性能与需要更多培训试验的方法相比或更高.
结论:
- 对于基于SSVEP的BCI,H-TRCCA提供了一个强大而高效的解决方案.
- 该方法显著减少了校准时间,同时保持了高性能.
- H-TRCCA的性能优于现有的最先进的技术,特别是有限的培训数据.
