跨领域的相关性分析,以改善SSVEP信号识别在大脑-计算机接口
Kaiwei Hu1, Yong Wang1, Kaixiang Tu1
1School of Mechanical Engineering and Electronic Information, China University of Geosciences, Wuhan, People's Republic of China.
Biomedical physics & engineering express
|December 3, 2025
概括
这项研究引入了用于脑计算机接口 (BCI) 的新无监督转移学习框架,该框架可以改善稳定状态视觉唤起潜能 (SSVEP) 在没有校准的情况下的识别. 该方法提高了SSVEP-BCI系统的准确性和实用性.
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:
- 在脑-计算机接口 (BCI) 系统中,稳态视觉唤起潜能 (SSVEP) 识别面临挑战,原因是训练数据有限和学科间的变化.
- 现有的方法通常需要对特定主体进行校准,这限制了它们的实际应用.
研究的目的:
- 开发一种新的无监督转移学习框架,以提高BCI系统中的SSVEP识别.
- 消除对特定主题进行校准的需求,使插件运行功能成为可能.
主要方法:
- 一个三阶段的管道,涉及相似性意识的受试者选择,欧几里德对齐以减轻域位移,并使用规范相关性分析 (CCA) 和任务相关组件分析 (TRCA) 进行混合特征提取.
- 整合加权的相关性聚变,以进行稳健的分类.
主要成果:
- 在基准和BETA数据集上实现了最先进的性能,平均精度分别为83.20%和69.08%,数据长度为1秒.
- 显著优于现有的方法,如ttCCA和Ensemble-DNN.
- 达到157.53比特分钟-1的最大信息传输速率.
结论:
- 拟议的无监督转移学习框架有效地提高了SSVEP的认可,而不需要校准.
- 该方法证明了开发基于SSVEP的插入运行BCI系统的重大实际潜力.


