基于fNIRS对分类器和特征选择技术进行指纹触摸的比较研究
概括
机器学习使用功能近红外光谱 (fNIRS) 信号准确地分类手指运动. 特性优化显著提高了分类准确性,基因算法 (GA) 和粒子群优化 (PSO) 为脑-计算机接口提供了最佳结果.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 功能近红外光谱 (fNIRS) 是一种非侵入性神经成像技术.
- 分类精细运动运动对于大脑与计算机接口 (BCI) 的发展至关重要.
- 现有的机器学习 (ML) 模型需要优化功能集以提高性能.
研究的目的:
- 使用ML算法对五个手指的动作进行分类.
- 评估功能优化对分类性能的影响.
- 为基于fNIRS的BCI应用程序确定最佳特征选择方法.
主要方法:
- 从20名参与者获得了fNIRS信号,他们执行了五种不同的手指动作.
- 从fNIRS信号中提取了17个空间特征.
- 使用的支持向量机 (SVM) 和极端梯度提升 (XGBoost) 分类器.
- 使用遗传算法 (GA),群优化 (ACO) 和粒子群优化 (PSO) 来进行特征选择.
主要成果:
- 功能优化显著改善了ML分类性能.
- 在功能选择方面,GA和PSO的表现优于ACO.
- 在分类准确度方面,XGBoost超过了SVM.
- 使用XGBoost.使用GA优化功能实现的最高准确率为94.94%.
结论:
- 特性选择对于提高神经成像中ML模型的效率和准确性至关重要.
- 优化的分类管道可以提高BCI系统的性能.
- 这项研究为BCI应用提供了有效的fNIRS信号分类的框架.


