任务状态EEG特征提取用于空间认知分析:一种功率光谱密度和变换条件的相互信息方法
Yijun Liu1, Mohd Shafie Bin Mustafa2, M Iqbal Bin Saripan3
1Institute for Mathematical Research, Universiti Putra Malaysia, Serdang, Malaysia.
Neuroscience
|June 21, 2025
概括
一个新的功率光谱密度转换条件相互信息 (PSDPCMI) 算法增强了用于空间认知的电脑电图 (EEG) 分析. 这种方法在虚拟现实任务中显著提高了EEG信号的分类准确性和特征提取.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 信号处理 信号处理
背景情况:
- 转换条件相互信息 (PCMI) 有效地分析了电脑电图 (EEG) 信号中的时间和空间领域.
- PCMI缺乏频域信息,限制了其在详细的EEG分析中的应用.
- 任务状态EEG分析需要采用包含频域特征的方法.
研究的目的:
- 为任务状态EEG信号提出和评估一种新的特征提取方法,即功率光谱密度转换条件相互信息 (PSDPCMI).
- 评估PSDPCMI在分析虚拟现实 (VR) 空间认知训练实验中的EEG数据方面的表现.
- 将PSDPCMI与现有方法比较,例如PSD,PCMI和PSDPLV用于EEG特征提取.
主要方法:
- 通过将功率光谱密度 (PSD) 与PCMI集成来开发PSDPCMI算法,以增强EEG特征提取.
- 利用VR空间认知训练实验,包括虚拟社区游戏和虚拟城市步行游戏进行数据收集.
- 在各种频段中比较PSDPCMI与PSD,PCMI和PSDPLV的分类性能.
主要成果:
- 在所有测试频段中,PSDPCMI算法实现了最高的分类准确性,特别是在Theta,Beta2和Gamma频段.
- 与PSD,PCMI和PSDPLV相比,PSDPCMI在大多数频段中表现出更高的精度,回忆,F1得分和AUC得分.
- 拟议的算法在分类不同的模型和独立的空间认知数据集上表现出强的性能.
结论:
- PSDPCMI 方法代表了EEG信号特征提取用于空间认知分析的重大进步.
- 将PSD与PCMI集成,通过结合频域信息,有效地解决了以前方法的局限性.
- PSDPCMI显示出在认知神经科学,脑计算机接口和神经障碍诊断方面的应用有很大的潜力.
