设计和实施多字符EEG分类的写作电动图像范式
Hongguang Pan1, Hongzheng Gao1, Yibo Zhang2
1College of Electrical and Control Engineering, Xi'an University of Science and Technology, Xi'an 710054, China; Xi'an Key Laboratory of Electrical Equipment Condition Monitoring and Power Supply Security., Xi'an 710054, China.
Neuroscience
|September 4, 2025
概括
这项研究引入了一种改进的运动图像 (MI) 脑电脑接口 (BCI),使用脑电图 (EEG) 进行脑电写,实现更高的准确性和更多的命令. 这种新框架增强了BCI的实际应用.
科学领域:
- 神经科学
- 生物医学工程
- 信号处理
背景情况:
- 运动图像 (MI) 脑电脑接口 (BCI) 解码神经活动以生成命令.
- 传统的MI-BCI系统在可区分的命令数量上面临限制,这阻碍了实际应用.
- 脑电图 (EEG) 是非侵入性BCI发展的一个关键模式.
研究的目的:
- 提出和评估使用EEG信号的MI-BCI多个字符分类框架.
- 增强神经信号的分离性,以简化 stroke-writing 的 MI 范式.
- 扩大BCI系统中可区分的命令集,以提高实用性.
主要方法:
- 一个简化的MI范式,用于创作,并优化了轨迹,以提高神经分离性.
- 在11个MI任务中从10名参与者获取EEG数据 (5个动作,6个相关动作).
- 使用集体实证模式分解 (EEMD) 进行信号预处理,然后使用内核主要组件分析 (KPCA) 进行特征提取,并使用门式循环单位 (GRU) 进行分类.
主要成果:
- 优化冲击模式的平均分类精度为84.77%,明显超过未优化版本 (76.83%).
- 与现有的MI-BCI方法相比,拟议的框架显示了更好的分类准确性.
- 该系统成功地扩大了可区分的命令数量,提高了BCI的实用性.
结论:
- 开发的多字符分类框架有效地提高了MI-BCI的性能.
- 优化的笔记模式和先进的信号处理技术提高了神经分离性和分类准确性.
- 这项研究通过提高指挥区分能力,有助于更实用和更有效的BCI应用.
