两类

使用逻辑回归分类算法对两类运动想象脑电信号进行分类的新框架

机器人技术和人工智能在开发针对运动障碍人士的辅助技术方面发挥着重要作用。脑机接口 (BCI) 是一种通信系统，通过检测和量化不同模态产生的控制信号并将其转换为启动外部设备的自愿命令，使人类能够与周围环境进行通信。为此，对研究人员来说，以非常高的准确度对脑信号进行分类并最大限度地减少错误至关重要。因此，在本研究中，提出了一种新颖的框架来对二元类脑电图 (EEG) 数据进行分类。在 BCI 竞赛 IV 数据集 1 和 BCI 竞赛 III 数据集 4a 上测试了所提出的框架。通过预处理从 EEG 数据中去除伪影，然后提取特征以识别记录的脑信号中的判别信息。信号预处理包括对原始 EEG 数据应用独立成分分析 (ICA)，同时使用公共空间模式 (CSP) 和对数方差来提取有用的特征。对六种不同的分类算法进行了比较，即支持向量机、线性判别分析、k 最近邻、朴素贝叶斯、决策树和逻辑回归，以准确分类 EEG 数据。对于这两个数据集，所提出的框架使用逻辑回归分类器实现了最佳分类精度。对于七个不同的受试者，BCI 竞赛 IV 数据集 1 的平均分类准确率为 90.42%，而对于 BCI 竞赛 III 数据集 4a，对五个受试者的平均准确率为 95.42%。这表明该模型可用于实时 BCI 系统，并为 2 类运动想象 (MI) 信号分类应用提供非凡的结果，并且经过一些修改，该框架将来还可以兼容多类分类。