上肢和下肢基于EEG的运动执行分类,使用机器学习

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:

• 电脑电图 (EEG) 对于大脑与计算机接口 (BCI) 是至关重要的.
• 精确的运动执行分类对于神经假肢和辅助技术至关重要.
• 评估不同的特征提取和分类方法对于BCI性能至关重要.

研究的目的:

• 使用EEG信号对上肢和下肢的运动执行进行分类.
• 为了比较统计特征与常见空间模式 (CSP) 的有效性,用于特征提取.
• 评估四种不同的机器学习分类器:K-最近邻居,线性差异分析 (LDA),多层感知器和支持向量机器.

主要方法:

• 使用统计方法和CSP进行特征提取.
• 使用K-最近邻居,LDA,多层感知子和SVM进行分类.
• 使用准确性,F1分数,精度和回忆指标进行性能评估.

主要成果:

• 共同空间模式 (CSP) 与线性差异分析 (LDA) 结合,表现出优越和一致的性能,达到72.5%的准确性.
• 统计特征 提取方法与CSP相比性能不佳.
• 实时可行性基准和意义测试进行.

结论:

• CSP和LDA的组合对于从EEG数据中对运动执行进行分类非常有效.
• 这些发现支持BCI和神经假体开发的进步.
• 对象的可变性和数据集的特异性是未来BCI应用的重要考虑因素.