在不同的挫折水平下,将主动脑计算机接口 (aBCI) 与被动BCI (pBCI) 集成在一起
Xin Gao1, Haipeng Lin2, Xiaolong Wu1
1Bath Institute for the Augmented Human, University of Bath, Bath, UK.
Scientific reports
|December 5, 2025
概括
这项研究整合了被动脑电脑接口 (pBCI) 来检测用户丧,通过调整运动图像 (MI) 模型来提高主动脑电脑接口 (aBCI) 的性能. 这种新的方法通过识别和分类任务期间的丧水平来提高aBCI的准确性.
科学领域:
- 神经科学和生物医学工程
- 人与计算机的交互
- 信号处理 信号处理
背景情况:
- 用户的心理状态,特别是丧,显著影响主动大脑计算机接口 (aBCI) 的性能.
- 开发被动脑计算机接口 (pBCI) 来监控用户情绪对于自适应的BCI至关重要.
- 挫折是影响用户参与和BCI表现的关键心理状态.
研究的目的:
- 开发一种结合aBCI和pBCI的新模式,以测量和适应用户丧水平.
- 为了研究挫折对运动图像 (MI) 的影响,基于aBCI性能.
- 通过通过pBCI结合实时挫折检测来提高aBCI准确性.
主要方法:
- 设计了一个新的实验范式,使用视觉反来诱导不同的丧水平.
- 对pBCI (丧检测) 和aBCI (MI分类) 收集了脑电图 (EEG) 数据.
- 过器银行常用空间模式 (FBCSP) 和支持矢量机 (SVM) 用于特征提取和对挫败级别和MI任务的分类.
主要成果:
- 通过使用FBCSP+SVM,pBCI成功地分类了三个挫折级别 (低,中等,高).
- 与传统方法相比,两种结合pBCI结果的新方法提高了aBCI平均分类精度7.40%和8.62%.
- 该研究展示了客观丧识别和自适应aBCI模型校准的综合方法.
结论:
- 整合pBCI用于挫折检测提供了一种可行的方法来提高aBCI的性能.
- 开发的方法在不同的用户挫败下,在基于MI的aBCI准确度中提供了显著的改进.
- 这项工作代表了使用pBCI来调整基于MI的非侵入性aBCI的初步综合演示,从而推进了EEG数据分析.
