对上肢曲和延伸的EEG特征提取和分类基于歧视性过器银行共同空间模式的运动图像
1School of Information Science and Technology, Nantong University, Nantong 226019, China.
Brain sciences
|February 27, 2026
概括
这项研究引入了一种改进的歧视性过器银行常见空间模式 (DFBCSP) 方法来解码运动图像 (MI) 电脑电图 (EEG) 信号,显著提高上肢神经康复的准确性.
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:
- 传统的共同空间模式 (CSP) 算法在运动图像 (MI) 电脑电图 (EEG) 信号中与重叠的皮质表示和频率灵敏度作斗争,用于上肢神经康复.
- 这些局限性阻碍了MI-EEG信号的解码性能,需要改进方法.
研究的目的:
- 通过使用改进的歧视性过器银行共同空间模式 (DFBCSP) 框架来提高上肢MI-EEG信号的解码性能.
- 评估DFBCSP框架的分类性能与MI任务的不同机器学习模型相结合.
主要方法:
- 从16名参与者收集了EEG数据,他们执行了两类和三类上肢MI任务.
- 脑电图信号被分解成九个子频段,并应用基于相互信息的特征选择来进行优化.
- 使用多层感知器 (MLP),支向量机 (SVM) 和线性差异分析 (LDA) 进行了优化特征的分类.
主要成果:
- 与传统的CSP算法相比,DFBCSP + MLP方法显示出更高的性能.
- 在两类MI任务中获得了94.83%的准确率 (卡帕:0.890) 和在三类MI任务中获得了86.20%的准确率 (卡帕:0.775).
结论:
- 该DFBCSP + MLP框架提供了一个强大的和有效的方法来解码上肢MI-EEG信号.
- 这一框架为未来对上肢运动功能障碍康复的研究提供了坚实的技术基础.
