通过波束包合成增强和基于的通道选择进行运动图像EEG分类
Minmin Zheng1, Zhengkang Qian1, Tong Zhao1
1College of Intelligent Manufacturing, Putian University, Putian, China.
Frontiers in neuroscience
|November 26, 2025
概括
这项研究为运动图像大脑计算机接口引入了一种新的框架,提高了准确性并减少了传感器需求. 该方法提高了临床使用的EEG分类效率.
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:
- 运动图像 (MI) 大脑计算机接口 (BCI) 面临的挑战是有限的EEG数据和道冗余,影响准确性和临床应用.
- 现有的方法通常需要大量的数据集和众多道,这限制了实际的可用性.
研究的目的:
- 开发一个统一的框架,同时提高MI分类性能,减少传感器要求,并消除对额外记录的需求.
- 解决当前BCI中的瓶问题,使其更加准确和临床可行.
主要方法:
- 一个三阶段的管道,涉及波束-包分解 (WPD) 试验增强,波束-包能量 (WPEE) 频道选择,和一个轻量级的多分支网络与变压器编码器的特征提取.
- 通过交换子频段,WPD生成合成试验,保留与事件相关的脱同步/同步签名.
- WPEE量化了光谱能量复杂性和类分离性,以选择最佳的EEG通道.
主要成果:
- 在BCI Competition IV 2a和PhysioNet MI数据集上分别达到86.81%和86.64%的平均准确率.
- 成功地将所需的传感器数量减少了27%,而不会影响性能.
- 与所有道的培训相比,在统计学上表现出显著的改善 (p < 0.01).
结论:
- 基于WPD的增强和WPEE驱动的频道选择的综合框架提高了MI解码精度,更少的频道和没有额外的录音.
- 这种方法提供了一个计算效率高和临床可行的解决方案,用于在资源有限的环境中改进EEG分类.
