用功能聚类和图形信号处理来进行运动图像大脑计算机接口的维度减小方法

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 信号处理 信号处理

背景情况:

• 运动图像大脑计算机接口 (MI-BCI) 依赖于精确的电脑图 (EEG) 信号分类.
• 减小尺寸对于提高MI-BCI系统的效率和性能至关重要.

研究的目的:

• 引入MI-BCI中的EEG信号的维度缩小和分类的新框架.
• 提高MI-BCI系统的性能,特别是在训练数据有限的场景中.

主要方法:

• 拟议的Kron减小的通用学习规范化与差异演变 (K-GLR-DE) 框架集成了图形信号处理 (GSP) 和元启发式优化器.
• 通过使用生理感兴趣区域 (ROI) 和克朗减小,构建大脑图形,实现维度减小.
• 特征提取涉及图的总变化和通用学习规范化常见空间模式 (GLRCSP),其次是基于差异演变 (DE) 的特征选择.

主要成果:

• 在BCI竞争III数据集IVa和PhysioNet eegmmidb数据集上评估了K-GLR-DE方法.
• 一个带有辐射基函数 (SVM-RBF) 分类器的支持向量机器在BCIC III-IVa.上实现了96.46% ± 0.81%的平均准确性.
• 该方法在各种培训条件中表现出卓越的表现,包括小型和有限的培训集.

结论:

• K-GLR-DE方法显著提高了MI-BCI分类的性能.
• 该框架即使在训练数据有限的情况下也有效,为MI-BCI系统提供了强大的解决方案.