脑电图驱动手臂运动解码:结合连接性和广度特征,提高脑机接口性能
Hamidreza Darvishi1, Ahmadreza Mohammadi1, Mohammad Hossein Maghami2
1Department of Cognitive Psychology, Institute for Cognitive Science Studies (ICSS), Tehran 16583-44575, Iran.
Bioengineering (Basel, Switzerland)
|June 26, 2025
概括
结合振幅和基于相位的大脑信号特征,大大提高了解码手臂运动的脑电脑界面 (BCI) 精度. 这种增强的BCI方法为神经假肢系统提供了更好的控制.
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) 将脑电图 (EEG) 信号转化为控制命令,帮助运动障碍者.
- 传统的BCI通常仅分析振幅或简单的连接性,忽视运动期间大脑活动的动态,多方面的性质.
研究的目的:
- 调查是否融合基于振幅 (FBCSP) 和基于相位 (PLV) 的EEG特征可以提高运动解码精度.
- 确定最佳的特征子集和频段,以提高BCI性能.
主要方法:
- 记录了十名健康受试者执行手臂运动的脑电图信号.
- 振幅 (FBCSP) 和相锁定值 (PLV) 的特征被提取并融合.
- 该ReliefF算法执行了特征选择,随后由feedforward神经网络进行解码.
主要成果:
- 融合特征方法取得了很高的准确性:皮尔森相关性0.829,R平方0.675和RMSE0.579.
- 从FBCSP和PLV特征中观察到显著的贡献,特别是在4-8Hz和24-28Hz频段.
- 数据驱动的功能选择进一步优化了解码模型.
结论:
- 振幅和基于阶段的EEG特征的融合,结合知情特征选择,大大改善了手臂运动解码.
- 这种先进的BCI方法对开发更强大,更有效的神经假肢控制系统具有前景.
