基于图形的特征学习方法用于主体依赖和主体独立的运动图像EEG解码
Shaorong Zhang1,2, Zhongwei Lu3, Benxin Zhang3
1Guangdong Key Laboratory for Biomedical Measurements and Ultrasound Imaging, National-Regional Key Technology Engineering Laboratory for Medical Ultrasound, School of Biomedical Engineering, Shenzhen University Medical School, Shenzhen, 518060 China.
Cognitive neurodynamics
|August 29, 2025
概括
新的基于图形的方法通过创建全面和有区别的脑电图 (EEG) 功能空间来增强运动图像脑电脑接口. 这提高了个人用户和不同主题的解码精度.
科学领域:
- 神经科学
- 机器学习
- 生物医学工程
背景情况:
- 头皮脑电图 (EEG) 分析面临的挑战是由于其高可变性,阻碍了运动图像脑电脑接口 (BCI) 的性能.
- 现有的特征学习方法往往产生不完整和差异化的特征空间,限制了EEG分类的准确性.
研究的目的:
- 引入基于图形的新型特征学习方法,以改善主体依赖和主体独立的 BCI 解码.
- 解决当前处理EEG变异性和增强特征可区分的方法的局限性.
主要方法:
- 通过将时间频率单位的空间和大脑网络图形特征合并而构建一个全面的时间频率空间图 (TFSG).
- 开发了两种先进的规范化方法:用日志规范化和费舍尔标准规范化进行非凸稀疏优化,以学习歧视性TFSG特征空间.
- 为解决拟议的优化模型提供统一的算法框架.
主要成果:
- TFSG功能空间有效地适应了个体内和个体间的EEG变化.
- 获得了最高的平均分类准确率: 82.93% (取决于主体),68.52% (主体独立) 和71.69% (主体适应性).
- 在主体依赖性和主体独立性解码性能方面显著提升.
结论:
- 拟议的基于图形的特征学习方法显著提高了BCI中的运动图像解码精度.
- 通过TFSG功能和先进的规范化模型,增强了功能空间的包容性和可区分性,提高了BCI的性能.
更多相关视频
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
43.5K
09:42Author Spotlight: Using Motor Imagery Brain-Computer Interface to Improve Motor and Cognitive Function in Stroke Patients
Published on: September 1, 2023
1.4K