在快速校准场景中,利用低频组件增强高频稳定状态视觉唤起潜在的基于脑计算机接口的低频组件
Yixin Chen1,2, Ren Xu3, Andrew Ty Lau4
1East China University of Science and Technology, Shanghai, 200237 China.
Cognitive neurodynamics
|August 5, 2025
概括
这项研究引入了一种转移学习方法,以提高高频稳定状态视觉唤起的潜在脑机接口 (SSVEP-BCI) 性能. 利用低频数据显著提高了在最小校准时的准确性.
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
- 计算机科学 计算机科学
背景情况:
- 高频稳定状态视觉唤起基于潜力的脑电脑接口 (SSVEP-BCI) 系统提供用户舒适性,但性能低于低频系统.
- 这种性能差距限制了高频SSVEP-BCI的实际应用.
研究的目的:
- 为了提高高频SSVEP-BCI系统的性能.
- 为了解决高频SSVEP-BCI中性能降低和广泛校准的局限性.
主要方法:
- 建议采用转移学习方法,利用低频SSVEP数据来提高高频SSVEP的性能.
- 一个过机制从低频信号中提取信息组件.
- 最小方位算法生成合成高频数据.
主要成果:
- 在使用基于TDCA,eTRCA和TRCA的算法的两个公共数据集上观察到显著的性能改善.
- 在数据集1上,eTRCA和TDCA的准确性增加了9.03%和14.49%,在数据集2上增加了13.91%和14.53%,所有这些都在1.5秒内.
- 该方法只需要两个校准试验,有效地解决了单个校准数据的问题.
结论:
- 拟议的转移学习方法显著提高了高频SSVEP-BCI性能.
- 快速校准和更高的准确性可用于现实世界高频BCI应用.
- 这种方法使高频SSVEP-BCI系统更加实用和用户友好.


