XiaoMi-AI文件搜索系统
World File Search SystemSWLDA
用于预测大脑的分类技术比较...
摘要：基于 P300 的脑机接口 (BCI) 性能易受延迟抖动影响。为了研究延迟抖动对 BCI 系统性能的影响，我们提出了基于分类器的延迟估计 (CBLE) 方法。在我们之前的研究中，CBLE 基于最小二乘 (LS) 和逐步线性判别分析 (SWLDA) 分类器。在这里，我们旨在使用稀疏自动编码器 (SAE) 扩展 CBLE 方法，以将基于 SAE 的 CBLE 方法与基于 LS 和 SWLDA 的 CBLE 进行比较。新开发的基于 SAE 的 CBLE 和以前使用的方法也应用于新收集的数据集，以降低出现虚假相关的可能性。我们的结果显示，BCI 准确度和估计的延迟抖动之间存在显着 (p < 0.001) 负相关性。此外，我们还研究了电极数量对每种分类技术的影响。我们的结果表明，总体而言，无论分类方法和电极数量如何，CBLE 都能发挥作用；相比之下，电极数量对 BCI 性能的影响则取决于分类器。
通过优化和机器学习提高 P300 拼写器的性能
脑机接口 (BCI) 是一种允许人们绕过周围神经系统 (PNS) 的自然神经肌肉和激素输出与环境互动的系统。这些接口记录用户的大脑活动并将其转换为外部设备的控制命令，从而为 PNS 提供额外的人工输出。在此框架中，基于 P300 事件相关电位 (ERP) 的 BCI 已被证明特别成功且稳定，ERP 代表特定事件或刺激后从大脑记录的电反应。通过分类算法确定 EEG 特征中是否存在 P300 诱发电位。线性分类器（例如逐步线性判别分析 (SWLDA) 和支持向量机 (SVM)）是 ERP 分类中最常用的判别算法。由于 EEG 信号的信噪比较低，因此需要执行多个刺激序列（即迭代），然后取平均值，然后对信号进行分类。然而，虽然增加迭代次数可以提高信噪比 (SNR)，但也会减慢该过程。在早期的研究中，迭代次数是固定的（不停止），但最近，文献中提出了几种提前停止策略，以便在满足某个标准时动态中断刺激序列，以提高通信速率。在
改进单次试验分类中的意图检测......
摘要 — 意图解码是免提人机交互 (HCI) 中不可或缺的过程。传统的眼动追踪系统使用单一模型注视持续时间可能会发出忽略用户真实期望的命令。在本研究中，引入了一种眼脑混合脑机接口 (BCI) 交互系统，通过融合多模态眼动追踪和 ERP（源自 EEG 的测量）特征来检测意图。当 64 名健康参与者在 25 个图标中执行 40 分钟的定制自由搜索任务时，记录了他们的眼动追踪和 EEG 数据。提取了相应的眼动追踪和 ERP 注视持续时间。采用五个已验证的基于LDA的分类器（包括RLDA，SWLDA，BLDA，SKLDA和STDA）和广泛使用的CNN方法从离线和伪在线分析中验证特征融合的有效性，并通过调节训练集和系统响应持续时间来评估最佳方法。我们的研究表明，多模态眼动和ERP特征的输入在主动搜索任务的单次试验分类中实现了意图检测的优异性能。并且与单模型ERP特征相比，该新策略也在不同的分类器之间获得了一致的准确率。此外，与其他分类方法相比，我们发现SKLDA在离线测试（ACC=0.8783，AUC=0.9004）和不同样本量和持续时间长度的在线模拟中融合特征时表现出更优异的性能。总之，本研究揭示了一种利用眼脑混合BCI进行意图分类的新颖有效的方法，并进一步以更精确、更稳定的方式支持了免提HCI的实际应用。
基于集中式多人数据融合CNN
大脑计算机界面是人类计算机交互的一种新方法，它提供了大脑与计算机或其他外部设备之间的直接通信联系（McFarland和Wolpaw，2011年）。事件相关电位（ERP）是代表皮质加工的独特相位的大脑表面的电活动的时间固定量度（Patel和Azzam，2005），它是与某人对某些刺激或特定事件的反应有关的内源性电位。ERP的典型示例是N200和P300。P300（Sutton等人，1967年）是一个正面峰值事件后约300毫秒显示的正峰波形，是ERP研究最多，使用最广泛，最突出的成分之一（David etal。，2020年； Kirasirova等。，2020）。P300分类检测是P300-BCI研究的重点，快速准确的识别对于改善p300-BCI的性能至关重要（Huang等人。，2022）。P300通常表现出低信噪比（SNR）（Zhang等人，2022）。为了突出其时间锁定的组件并最大程度地减少背景噪声，P300-BCI要求从多个试验中收集，汇总和平均数据以获得可靠的输出（Liu等人。，2018年），这是耗时且有效的。因此，在单审判中正确对p300进行分类是一个巨大的挑战。到目前为止，单个试验P300分类算法的准确性记录如下：Krusienski使用逐步线性判别分析（SWLDA）的平均分类精度约为35％。使用贝叶斯线性判别分析（BLDA）的平均分类准确性（BLDA）约为60％。Blankertz应用了收缩线性判别分析（SKLDA），并达到平均分类精度约为70％。张张通过时空判别分析（STDA），并达到平均分类准确性约为61％。Kaper开发的支持向量机（SVM）算法的平均分类精度达到64.56％。以及XIAO提出的判别规范模式匹配（DCPM）的价值为71.23％，表明DCPM在单验P300分类中的其他传统方法显着超过了其他较小的训练样本中的其他传统方法（Xu等人。，2018，2021; Xiao等。，2019a，b，2021; Wang等。，2020）。ma等。（2021）提出了一个基于胶囊网络的模型，该模型提高了单审P300的检测准确性，但是，由于大小的增加，计算变得复杂。Zhang等。 （2022）用Xdawn填写数据，以提高脑电图信号的信噪比，但是空间过滤方法需要在特征提取后手动选择显着特征，然后对其进行分类。 这是特定因素的高度特殊性；但是，该算法通常很复杂，其精度受特征选择的影响（Zhang等人 ，2022）。 深度学习是端到端的学习，具有简单的结构，可以移植到具有高分类精度的各种任务，但对示例数据的要求很高。 ，2020年），脑电图数据融合（Panwar等人Zhang等。（2022）用Xdawn填写数据，以提高脑电图信号的信噪比，但是空间过滤方法需要在特征提取后手动选择显着特征，然后对其进行分类。这是特定因素的高度特殊性；但是，该算法通常很复杂，其精度受特征选择的影响（Zhang等人，2022）。深度学习是端到端的学习，具有简单的结构，可以移植到具有高分类精度的各种任务，但对示例数据的要求很高。，2020年），脑电图数据融合（Panwar等人如今，深度学习方法在基于脑电图的目标检测技术方面取得了巨大进展（Li等人，2021），基于此，一些学者提出了其他用于P300分类的方法，例如转移学习（Wei等人。，2020），incep a-eegnet（Xu等人，2022），组合分类器（Yu等人。，2021），主成分分析（PCA）（Li等人，2020）等目前，Daniela使用了CNN（Cecotti和