机构名称：
¥ 1.0
摘要 - 大脑计算机接口（BCI）技术是人脑和外部设备之间通信的流行方法。BCI最受欢迎的方法之一是运动图像（MI）。在BCI应用中，电型图（EEG）是对脑动力学的非常流行的测量，因为其无创性质。尽管对BCI主题具有很高的兴趣，但由于在EEG信号中执行模式识别任务的困难，现有系统的性能仍然远非理想。这种困难在于选择正确的脑电图通道，这些信号的信号噪声比以及如何辨别它们之间的冗余信息。BCI系统由多种组件组成，这些组件可以执行信号预处理，特征提取和决策。在本文中，我们定义了一个新的BCI框架，称为增强的融合框架，我们提出了三种不同的想法来改善现有的基于MI的BCI框架。首先，我们包括信号的附加预处理步骤：EEG信号的差异化，使其具有时间不变。其次，我们添加了一个额外的频带作为系统的特征：感觉运动节奏频段，并显示了它对系统性能的影响。最后，我们对如何在系统中做出最终决定做出了深入的研究。我们提出了多达六种类型的不同分类器和广泛的聚合函数（包括经典聚合，Choquet和Sugeno积分及其扩展和重叠函数）的用法来融合所考虑的分类器给出的信息。我们已经在20名志愿者的数据集上测试了这一新系统，该数据集执行基于运动图像的脑部计算机接口实验。在此数据集上，新系统达到了88。精度的80％。我们还提出了一个最高可获得90％占76％的系统的优化版本。此外，我们发现这对choquet/sugeno积分和重叠功能是提供最佳结果的功能。
使用信号推导和聚合功能的基于电动机的大脑计算机接口
主要关键词
相关文件推荐
