一个特征提取和选择框架用于基于电皮质谱的神经活动分类的特征提取和选择框架
Resul Adanur1, Ebubekir Enes Arslan2, Uğurhan Kutbay3
1Department of Electrical and Electronics Engineering, Faculty of Engineering, Gazi University, Ankara, 06570, Turkey. resuladanur@gazi.edu.tr.
Journal of medical systems
|November 4, 2025
概括
本研究引入了一种特征选择性框架,以改进电皮质谱 (ECoG) 信号分类. 该方法通过选择机器学习模型的关键神经特征来提高准确性,帮助大脑与计算机接口的开发.
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:
- 电皮质谱 (ECoG) 信号提供了对神经活动的洞察力,但对于可靠的分类而言是复杂的.
- 对ECoG信号的准确分类对于推进脑计算机接口和理解神经过程至关重要.
研究的目的:
- 开发和验证一个特征选择性框架,以提高ECoG信号分类的准确性.
- 为了实现最佳性能,将多种特征提取方法与统计选择相结合.
- 研究与视觉任务相关的信息神经活动的空间分布.
主要方法:
- 从ECoG数据中提取了包括功率光谱密度,基于波形的特征,香农和Hjorth参数在内的特征.
- 采用差异分析 (ANOVA) 进行统计特征选择.
- 使用机器学习分类器,如决策树,支持向量机器,神经网络和长短期记忆 (LSTM) 网络.
主要成果:
- 拟议的框架实现了对个别患者和组合数据集的高分类准确性.
- t-SNE可视化证实了信号类之间的清晰分离性.
- 选择的特征突出显示了视觉皮层附近电极的重要作用.
结论:
- 具有特征选择性的框架有效地改善了ECoG信号的分类.
- 这些发现为视觉任务和电极重要性的神经相关性提供了宝贵的见解.
- 这种方法对开发更强大的脑-计算机接口充满希望.
