使用脑电图 (EEG) 进行有效的认知分析的预处理技术的比较
1School of Electronics Engineering, Vellore Institute of Technology, Chennai 600127 Tamil Nadu, India.
MethodsX
|February 24, 2026
概括
这项研究比较了脑电图 (EEG) 预处理方法用于认知分析. TRIM-EEG证明比变化分解模式 (VMD) 更有效,使运动和非运动群体之间能够准确区分.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 信号处理 信号处理
背景情况:
- 电脑电图 (EEG) 对于分析认知过程至关重要.
- 标准的EEG预处理管道可能是复杂的,并且有很大的差异.
- 优化EEG预处理对于可靠的认知研究至关重要,尤其是在比较运动员和非运动员等不同群体时.
研究的目的:
- 为了比较两个不同的EEG预处理管道:TRIM-EEG和变化分解模式 (VMD).
- 确定最有效的EEG预处理策略来分析体育和非体育群体之间的认知差异.
- 评估机器学习分类器对预处理的EEG数据的性能,以进行群体差异化.
主要方法:
- 方法A (TRIM-EEG):采用隙过,用于眼部人工物去除的独立组件分析 (ICA) 和带宽过.
- 方法B (VMD):利用变化分解模式 (VMD),通过混青跳跃算法 (SfLA) 和光谱曲解进行参数优化.
- 使用错误指标进行性能比较,然后使用支持矢量机 (SVM) 和随机森林 (RF) 等分类器进行特征分析.
主要成果:
- 与VMD方法相比,TRIM-EEG基于错误指标的表现优于VMD方法.
- 通过TRIM-EEG预处理的数据,可以有效地区分体育和非体育团体.
- 支持矢量机 (SVM) 和随机森林 (RF) 分类器在区分组中实现了高精度 (93.33%).
结论:
- TRIM-EEG预处理管道是使用EEG进行认知分析的高效技术.
- TRIM-EEG为预处理EEG信号提供了一种可靠的方法,特别是在涉及组比较的研究中.
- 这些发现支持在未来的认知处理研究和脑计算机接口应用中使用TRIM-EEG.
