通过使用辅助传感器进行EEG人工物减少来改进SSVEP分类

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:

• 稳态视觉唤起潜能 (SSVEP) 对脑计算机接口 (BCI) 至关重要.
• 脑电图 (EEG) 信号在BCI中经常被肌肉,运动和眼睛运动的工件损坏.
• 这些器件显著降低了BCI的性能,特别是在肌肉紧张度高或非自愿的眼动的人群中.

研究的目的:

• 开发和评估用于脑电脑接口 (BCI) 系统的电脑脑图 (EEG) 人工物减少方法.
• 通过减轻工件来提高SSVEP的信号质量和分类准确性.
• 为了确定最有效的辅助道来抑制文物.

主要方法:

• 利用辅助通道 (中央,正面,电眼镜,部,脸,下巴) 来建模干扰源.
• 应用线性回归在1秒窗口内用于EEG信号清理.
• 执行频域分析并使用支持矢量机 (SVM) 和卷积神经网络 (CNN) 算法进行SSVEP分类.
• 在受控的工件生成和视觉刺激期间记录的数据在7,8和9赫兹.

主要成果:

• 在移除文物后,分类准确度提高了9%.
• 确定中央 (Cz) 和下通道对人工物抑制最为重要.
• 显示了EEG信号质量和BCI可靠性的显著改善.

结论:

• 辅助通道有效地减少了基于SSVEP的BCI中的EEG工件.
• 开发的人工物减少方法提高了BCI系统的性能和可靠性.
• 这种方法对现实世界中的BCI应用具有更好的信号完整性的承诺.