基于EEG的语音图像通过动态超图学习在预测和选择的特征子空间内进行解码

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 大脑-计算机接口 (BCI) 正在利用脑电图 (EEG) 数据推进语音解码.
• 目前基于图表的方法可能无法完全捕捉EEG样本中的复杂相关性.
• 需要一个更有效的数据结构来建模语音图像的EEG中高阶关系.

研究的目的:

• 引入超图,用于模拟EEG数据中的高阶相关性,用于语音图像.
• 提出两个动态超图学习模型:DHSLP和DHSLF.
• 通过BCI提高解码想象语音意图的准确性.

主要方法:

• 利用超图来表示EEG样本之间的高阶相关性,用特征向量作为顶点和超边形连接它们.
• 在投影和特征加权子空间中动态更新的超边缘权重,顶点权重和超图结构.
• 在预测子空间 (DHSLP) 和选定的特征子空间 (DHSLF) 中开发和应用动态超图半监督学习,用于语音图像解码.

主要成果:

• 与现有方法相比,DHSLP和DHSLF模型在解码想象语音意图方面都显示出了统计学上显著的改进.
• 在两个独立的EEG数据集上,DHSLP的准确率分别为78.40%和66.64%.
• 在相同的数据集上,DHSLF实现了71.07%和63.94%的准确性,显示出具有竞争力的性能.

结论:

• 学习过的高图形有效地描述了想象中的语音内容中的语义信息.
• 这项研究为语音图像解码的歧视性EEG通道提供了可解释的见解.
• 这项研究为探索语言图像背后的生理机制奠定了基础.