通过非线性维度减少 (多重学习) 和浅层分类器实现运动图像的实时EEG解码

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 为运动图像解码脑电图 (EEG) 信号对于脑电脑接口 (BCI) 至关重要.
• EEG数据的高维度和非线性对准确和实时解码构成重大挑战.
• 之前的研究探讨了脊髓损伤 (SCI) 患者的EEG数据的多重学习.

研究的目的:

• 引入和评估一个实时处理框架来解码运动图像EEG信号.
• 为了比较各种与浅层分类器集成的非线性维度减小技术的有效性.
• 评估框架在不同分类复杂度的表现,并与以前在SCI群体中的发现进行比较.

主要方法:

• 收集了6名健康参与者执行5个运动图像任务的EEG数据.
• 评估了五种非线性维度减小方法 (t-SNE,ISOMAP,LLE,光谱嵌入,MDS).
• 每种方法都与三种浅层分类器 (k-NN,Naive Bayes,SVM) 结合,用于二进制,三进制和五类设置.

主要成果:

• t-SNE + k-NN 配对实现了最高的精度: 99.7% (2 类), 99.3% (3 类) 和 89.0% (5 类).
• ISOMAP和MDS表现出了竞争力,特别是在多类场景中.
• 该框架实现了低延迟处理 (大约. 每个试验150毫秒),满足实时BCI要求.

结论:

• 非线性维度减小,特别是t-SNE,显著提高了运动图像的实时EEG解码精度.
• 拟议的框架为健康个体和神经障碍患者的BCI提供了低复杂度,高精度的解决方案.
• 在健康和SCI组中观察到t-SNE和ISOMAP在保持类分离性方面具有一致的优势.