多域特征提取和Sand Cat Swarm优化广泛学习系统用于基于EEG的脑电图解码中风患者的运动图像解码

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:

• 大脑-计算机接口 (BCI) 通过大脑活动提供非侵入性控制,其中运动图像 (MI) 系统是突出的.
• 电脑电图 (EEG) 由于其可移植性和时间分辨率而受到青,但其非静止和特定对象的信号存在分类挑战.
• 现有的BCI系统由于EEG数据的固有变化和复杂性,难以进行可靠的分类.

研究的目的:

• 为基于MI的BCI开发一种轻量级和高效的分类架构.
• 为了提高EEG信号分类的准确性和通用性.
• 为了应对EEG数据中非静止性和主体间变异性的挑战.

主要方法:

• 一个新的架构,结合了事件相关脱同步 (ERD) 频段选择,实证模式分解 (EMD),希尔伯特-黄变换 (HHT),里曼几何 (RG) 和共同空间模式 (CSP) 功能提取.
• 集成一个广泛的学习系统 (BLS) 分类器,其参数由Sand Cat Swarm Optimization (SCSO) 算法优化.
• 使用两个数据集 (BCI IV 2a和临床中风EEG数据集) 进行绩效评估,包括所有受试者和离开一个受试者 (LOSO) 验证.

主要成果:

• 实现了高分类准确度:在BCI IV 2a数据集上达到90.78%,在临床中风EEG数据集上达到96.41%.
• 在不同的验证设置中表现出具有竞争力的概括性,表明对主体间变量的稳定性.
• 拟议的管道有效地提取了歧视性特征,并处理了EEG信号的个体差异.

结论:

• 拟议的轻量级和高效的BCI分类架构显著提高了准确性和概括性.
• 将EMD,HHT,RG和CSP与SCSO优化的BLS分类器集成,有效地模拟非线性EEG动态,并解决主体间的变化.
• 这种方法显示出真实世界BCI应用的巨大潜力,特别是在运动图像任务和临床环境中,如中风康复.