通过多刺激歧视性聚变分析提高SSVEP-BCI性能

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
• 信号处理 信号处理

背景情况:

• 基于稳态视觉唤起潜力 (SSVEP) 的脑计算机接口 (BCI) 对辅助技术至关重要.
• 提高频率识别对于BCI性能至关重要,尤其是在有限的数据和环境噪音的情况下.
• 现有的方法在实际条件下面临着稳定性和效率方面的挑战.

研究的目的:

• 引入和评估一种新的方法,即多刺激区分融合分析 (MSDFA),以改进SSVEP频率识别.
• 解决当前BCI技术在短时间数据采集和复杂环境中的局限性.
• 提高SSVEP-BCI系统的实际实用性和可靠性.

主要方法:

• 开发多刺激区分融合分析 (MSDFA),将多刺激策略与区分建模结合起来.
• 在两个公共数据集 (基准和BETA) 上评估MSDFA.
• 将MSDFA与eCCA和eTRCA等传统方法进行比较.

主要成果:

• 在各种数据长度和训练块数量中,MSDFA表现出优于现有方法的性能.
• 获得的最大信息传输速度为247.17 ± 10.15 bpm (基准) 和192.72 ± 9.44 bpm (BETA).
• 展示了增强的稳定性和效率,优于传统方法.

结论:

• MSDFA有效地改善了SSVEP-BCI中的频率识别,特别是在具有挑战性的条件下.
• 该方法对个体变化和复杂环境的适应性提高了BCI的可靠性.
• MSDFA是迈向更实用和可靠的SSVEP-BCI应用程序的重要一步.