Enhancing Motor Imagery Decoding in Brain Computer Interfaces using Riemann Tangent Space Mapping and Cross Frequency Coupling

要約

目的: 運動イメージ (MI) は、ブレイン コンピューター インターフェイス (BCI) の領域内で重要な実験パラダイムとして機能し、脳波 (EEG) 信号から運動の意図を解読することを目的としています。
方法: この論文では、リーマン幾何学と相互周波数結合 (CFC) からインスピレーションを得て、畳み込みニューラル ネットワーク (DFBRTS) を備えた二値フィルター バンクを使用したリーマン接線空間マッピングと呼ばれる新しいアプローチを紹介し、MI 特徴に関連する表現品質とデコード機能を強化します。
。
DFBRTS はまず、完全なバイナリ ツリーの形式で構造化された二値フィルター バンクを通じて EEG 信号を細心の注意を払ってフィルター処理することでプロセスを開始します。
その後、リーマン接線空間マッピングを使用して、各サブバンド内の顕著な EEG 信号特徴を抽出します。
最後に、軽量の畳み込みニューラル ネットワークがさらなる特徴抽出と分類に採用され、クロス エントロピーと中心損失の共同監視の下で動作します。
有効性を検証するために、DFBRTS を使用して、BCI 競合 IV 2a (BCIC-IV-2a) データセットと OpenBMI データセットという 2 つの十分に確立されたベンチマーク データセットに対して広範な実験が実施されました。
DFBRTS のパフォーマンスは、他のリーマン幾何学ベースの MI 復号手法と並行して、いくつかの最先端の MI 復号手法に対してベンチマークが行われました。
結果: DFBRTS は、両方のデータセットで他の MI デコード アルゴリズムを大幅に上回り、既存のベンチマークと比較して、4 クラスのホールドアウト分類で 78.16%、2 クラスのホールドアウト分類で 71.58% という驚くべき分類精度を達成しました。

要約(オリジナル)

Objective: Motor Imagery (MI) serves as a crucial experimental paradigm within the realm of Brain Computer Interfaces (BCIs), aiming to decoding motor intentions from electroencephalogram (EEG) signals. Method: Drawing inspiration from Riemannian geometry and Cross-Frequency Coupling (CFC), this paper introduces a novel approach termed Riemann Tangent Space Mapping using Dichotomous Filter Bank with Convolutional Neural Network (DFBRTS) to enhance the representation quality and decoding capability pertaining to MI features. DFBRTS first initiates the process by meticulously filtering EEG signals through a Dichotomous Filter Bank, structured in the fashion of a complete binary tree. Subsequently, it employs Riemann Tangent Space Mapping to extract salient EEG signal features within each sub-band. Finally, a lightweight convolutional neural network is employed for further feature extraction and classification, operating under the joint supervision of cross-entropy and center loss. To validate the efficacy, extensive experiments were conducted using DFBRTS on two well-established benchmark datasets: the BCI competition IV 2a (BCIC-IV-2a) dataset and the OpenBMI dataset. The performance of DFBRTS was benchmarked against several state-of-the-art MI decoding methods, alongside other Riemannian geometry-based MI decoding approaches. Results: DFBRTS significantly outperforms other MI decoding algorithms on both datasets, achieving a remarkable classification accuracy of 78.16% for four-class and 71.58% for two-class hold-out classification, as compared to the existing benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google