机构名称：
¥ 1.0
摘要 许多脑机接口利用响应视觉、听觉或触觉刺激而引发的脑信号，即所谓的事件相关电位 (ERP)。在主要使用的视觉 ERP 拼写器应用中，屏幕上显示的字母组会随机闪烁，参与者会注意他们想要拼写的目标字母。当此字母闪烁时，产生的 ERP 与任何其他非目标字母闪烁时不同，通过对观察到的 ERP 响应进行一系列二元分类，脑机接口可以检测出哪个字母是目标。我们提出了一种新的无监督方法来检测被关注的字母。在每次试验中，对于每个可用的字母，我们的方法都会假设它实际上是被关注的字母，并根据每个假设计算 ERP。通过利用只有真实假设才能产生类均值之间最大差异的事实，我们可以检测到被关注的字母。请注意，这种无监督方法不需要对底层实验范式进行任何更改，因此可以在几乎任何基于 ERP 的设置中使用。为了处理非常嘈杂的脑电图数据，我们使用块 Toeplitz 正则化协方差矩阵来模拟背景活动。我们实现了所提出的新型无监督均值差异最大化 (UMM) 方法，并在脑机接口视觉拼写器数据集的离线重放中对其进行了评估。对于每次试验每个符号使用 16 次闪光的数据集，UMM 在 25 名参与者中正确分类了 3654 个字母中的 3651 个（99.92%）。在另一个试验次数较少且较短的数据集中，54 名参与者每人进行两次试验，正确分类了 7383 个字母中的 7344 个（99.47%）。即使在从肌萎缩侧索硬化症患者（77.86%）获得的更具挑战性的数据集中或使用听觉 ERP（82.52%）时，UMM 获得的分类率也具有竞争力。作为额外的好处，这种新方法提供了稳定的置信度度量，可用于监控 UMM 的收敛性。
UMM：无监督均值差异最大化
主要关键词
相关文件推荐
