深度特征提取和群体优化的增强极端学习机器用于中风患者的运动图像识别
Vaishali R Shirodkar1, Damodar Reddy Edla2, Annu Kumari3
1Department of Computer Science and Engineering, National Institute of Technology Goa, Kottamoll Plateau, Cuncolim, 403703, Goa, India; Information Technology Department, Goa College of Engineering, Farmagudi, Ponda, 403401, Goa, India.
Journal of neuroscience methods
|September 10, 2025
概括
这项研究引入了一种先进的脑计算机接口 (BCI) 方法,用于使用脑电图 (EEG) 对中风患者的运动图像 (MI) 进行分类. 这种新的方法实现了高精度,为中风康复应用提供了有前途的解决方案.
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
- 机器学习 机器学习
背景情况:
- 脑电图 (EEG) 对于脑电脑接口 (BCI) 应用中的运动图像 (MI) 解释至关重要.
- 在中风患者中对MI进行分类是具有挑战性的,因为EEG信号的可变性,非静止性和异常模式.
研究的目的:
- 开发一种基于EEG的强化MI分类方法,用于中风患者.
- 提高临床环境中BCI系统的准确性和稳定性.
主要方法:
- 一个集成的架构,结合多域特征提取 (尺度不变特征转换,1D CNN) 和进化优化 (差异进化,粒子群优化,动态多群PSO) 进行EEG信号分析.
- 使用事件相关脱同步 (ERD) 来缓解非静止的特定主体频段选择.
- 使用增强的极端学习机器 (EELM) 进行分类,并优化隐藏层重量.
主要成果:
- 在使用动态多群PSO与10倍交叉验证的50名中风患者数据集上实现了97%的平均分类准确度.
- 在BCI竞争IV 1a (95%) 和IV 2a (91.56%) 数据集上表现出强大的概括性能.
结论:
- 进化优化有效地解决了高维,非静止的EEG数据所带来的挑战.
- 拟议的方法为中风患者的BCI应用中实时MI分类提供了一个有希望的策略.
