基于机器学习的分类,从频域EEG信号的振幅和相谱中想象的语音脑电图数据

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 想象语音分类解码大脑信号,以便在没有发声的情况下进行沟通.
• 这项技术为言语障碍者提供了一个重要的沟通途径.
• 现有的方法需要进一步提高准确性和效率.

研究的目的:

• 提出一种创新的机器学习 (ML) 方法来对想象式语音进行分类.
• 使用滑动窗技术增强脑电图 (EEG) 数据.
• 从EEG信号的频率域中提取统计特征,以改进分类.

主要方法:

• 通过50%的重叠的滑动窗口技术来增强EEG数据.
• 从频域EEG段的振幅和相谱中提取50个统计特征.
• 使用克鲁斯卡尔-瓦利斯测试选择25个重要特征,并使用6个ML模型进行分类,包括CatBoost.

主要成果:

• CatBoost 分类器获得了最高的准确性,长词分类达到91.72%.
• 长短单词,短短单词和元音的分类准确率分别为91.68%,88.05%和88.89%.
• 拟议的方法显示,与现有文献相比,性能有5%-7%的改善.

结论:

• 开发的ML方法有效地使用增强的EEG数据和统计特征来分类想象语音.
• CatBoost 分类器在想象语音识别方面表现出卓越的表现.
• 这种方法在推进脑计算机接口和通信辅助工具方面具有重大潜力.