一个新的通道缩小概念,以提高大脑-计算机接口系统中运动图像任务的分类
Taslima Khanam1, Siuly Siuly1, Kabir Ahmad2
1Institute for Sustainable Industries and Liveable Cities, Victoria University, Melbourne, Australia.
PloS one
|October 31, 2025
概括
这项研究引入了一种新的电脑电图 (EEG) 信号的通道选择方法,以提高脑电脑接口 (BCI) 在运动成像 (MI) 任务中的性能. 这种新的方法显著提高了检测用户意图的准确性,有助于康复.
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) 信号对于脑电脑接口 (BCI) 系统至关重要,特别是用于运动图像 (MI) 检测.
- 由于冗余的信息和无关道造成的性能恶化,分析大型EEG数据集具有挑战性.
研究的目的:
- 开发一种新的通道选择方法,以提高基于EEG的MI任务性能.
- 解决无关的EEG通道造成的噪声和准确性问题.
主要方法:
- 一种混合方法,将统计t测试与Bonferroni校正结合起来,以减少通道.
- 应用深度学习规范化共同空间模式与神经网络 (DLRCSPNN) 框架用于特征提取和分类.
- 排除与相关系数低于0.5的道,以保持显著的,非冗余的道.
主要成果:
- 开发的方法在三个基于实时EEG的BCI数据集中,为所有受试者实现了90%以上的准确度.
- 通过在第一个数据集上提高3.27%至42.53%的准确性,超过了七个现有的机器学习算法.
- 与第二个和第三个数据集的现有方法相比,表现出优异的性能,准确度分别提高了5%至45%和1%至17.47%.
结论:
- 拟议的混合通道选择和DLRCSPNN框架有效地提高了BCI中的基于EEG的MI任务性能.
- 这种技术为识别MI任务提供了新的视角,提高了准确性和系统效率.
- 能够快速识别运动残疾人的意图,支持康复和日常生活.
