通过考虑基于运动图像的脑电脑接口中心跳唤起的潜力的效果来改善与错误相关的潜在的单试检测

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:

• 大脑-计算机接口 (BCI) 依赖于检测神经信号,例如与错误相关的潜力 (ErrPs).
• 心跳唤起的潜能 (HEP) 可以与ErrP重叠,可能会污染信号.
• 准确的ErrP检测对于可靠的BCI性能至关重要,特别是在运动成像任务中.

研究的目的:

• 研究心跳唤起的潜能 (HEP) 对与错误相关的潜能 (ErrP) 时代的影响.
• 评估排除HEP如何影响单试验BCI中的分类性能.
• 优化ErrP检测,以区分机动图像BCI中的正确与错误条件.

主要方法:

• 参与者执行了三类运动图像任务,提供正确和错误的反.
• 在三个条件下分析了ErrP试验:包括心跳 (ErrP_IHB),不包括心跳 (ErrP_EHB) 和总试验 (ErrP_T).
• 对每个条件的离线和实时分类性能进行了评估.

主要成果:

• 在ErrPs中观察到~200ms的明显消极性和~300ms的积极性.
• 与ErrP_T (0.82) 和ErrP_IHB (0.78) 相比,ErrP_EHB条件显示了显著更高的分类准确度 (0.89).
• 新的ErrP范式实现了0.05的实时分类准确度的增加.

结论:

• 从ErrP时代排除心跳潜力可以获得更清晰的神经信号.
• 这种方法显著提高了基于运动图像的BCI的分类准确性.
• 这些发现提供了一种方法来提高BCI系统的可靠性和性能.