从MEG信号中检测运动和认知图像,使用基于波形的常见空间模式分析

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:

• 大脑-计算机接口 (BCI) 技术使神经肌肉障碍患者能够与环境互动.
• 区分运动图像 (MI) 和认知图像 (CI) 对于推进混合BCI系统至关重要.
• 磁脑电图 (MEG) 提供了一种非侵入性方法来捕捉大脑活动,但使用MEG区分MI和CI需要精细的分析方法.

研究的目的:

• 开发和评估一种分类方法,使用MEG信号来区分MI和CI.
• 通过使不同认知过程的差异化,增强混合BCI系统中的指挥多样性.
• 提高对底层运动与语言语义处理的神经机制的理解.

主要方法:

• 对MEG开放访问数据集的分析,涉及诸如单词生成和算术减法等任务.
• 应用两种频率分离策略 (宽带和窄带) 来处理MEG信号.
• 通过连续波波变换 (CWT) 提取时间频特征,并通过共同空间模式 (CSP) 方法提取空间特征.
• 两个阶段的特征选择,包括t测试排名和特定主题和任务的优化.

主要成果:

• 狭带 (FSB-2) 频率分离与CWT相结合,通常比宽带 (FSB-1) 配置产生更高的分类准确度.
• 对于H-F,H-W和H-S任务的初始准确率分别为56%,71%和66%对于FSB-2/CWT,以及54%,68%和64%对于FSB-1/CWT.
• 对主体和任务的适应性优化进一步提高了准确度,在FSB-2/CWT中达到63%,75%和71%.

结论:

• 拟议的CWT-CSP框架,特别是适应性特征优化,为基于MEG的BCI系统中的MI-CI歧视提供了一种有效的方法.
• 这种方法在有限的数据条件下特别有价值,提供可解释性.
• 这些发现有助于扩大BCI的指挥能力,并加深对神经处理差异的理解.