要約
典型的なセルフペース ブレイン コンピューター インターフェイス (BCI) システムとして、モーター イメージ (MI) BCI は、ロボット制御、脳卒中リハビリテーション、脳卒中や脊髄損傷患者の支援などの分野で広く応用されています。
多くの研究は、共通空間パターン (CSP) 法を通じて得られる従来の空間フィルターに焦点を当ててきました。
ただし、CSP 方式では、特定の入力信号に対して固定の空間フィルターしか取得できません。
さらに、CSP 方法は 2 種類の脳波 (EEG) 信号の分散差分のみに焦点を当てているため、EEG 信号の解読能力には限界があります。
MI-EEGへの分類を改善できる空間特徴の抽出を改善するためのより効果的な空間フィルタを取得するために、本論文では粒子群最適化アルゴリズム(PSO)に基づく適応空間フィルタ解決法を提案する。
フィルター バンクと空間フィルター (FBCSP-ASP) に基づくトレーニングおよびテスト フレームワークは、MI EEG 信号分類用に設計されています。
BCI コンペティション IV の 2 つの公開データセット (2a および 2b) に対して比較実験が行われ、FBCSP-ASP の優れた平均認識精度が示されています。
提案された方法は、MI-BCI の大幅なパフォーマンス向上を達成しました。
提案された方法の分類精度は、データセット 2a と 2b でそれぞれ 74.61% と 81.19% に達しました。
ベースライン アルゴリズム (FBCSP) と比較して、提案されたアルゴリズムは 2 つのデータセットでそれぞれ 11.44% と 7.11% 改善しました。
さらに、相互情報量、t-SNE、Shapley 値に基づく解析により、ASP 特徴が MI-EEG 信号に対して優れた復号能力を持っていることがさらに証明され、ASP 特徴の導入による分類性能の向上が説明されています。
要約(オリジナル)
As a typical self-paced brain-computer interface (BCI) system, the motor imagery (MI) BCI has been widely applied in fields such as robot control, stroke rehabilitation, and assistance for patients with stroke or spinal cord injury. Many studies have focused on the traditional spatial filters obtained through the common spatial pattern (CSP) method. However, the CSP method can only obtain fixed spatial filters for specific input signals. Besides, CSP method only focuses on the variance difference of two types of electroencephalogram (EEG) signals, so the decoding ability of EEG signals is limited. To obtain more effective spatial filters for better extraction of spatial features that can improve classification to MI-EEG, this paper proposes an adaptive spatial filter solving method based on particle swarm optimization algorithm (PSO). A training and testing framework based on filter bank and spatial filters (FBCSP-ASP) is designed for MI EEG signal classification. Comparative experiments are conducted on two public datasets (2a and 2b) from BCI competition IV, which show the outstanding average recognition accuracy of FBCSP-ASP. The proposed method has achieved significant performance improvement on MI-BCI. The classification accuracy of the proposed method has reached 74.61% and 81.19% on datasets 2a and 2b, respectively. Compared with the baseline algorithm (FBCSP), the proposed algorithm improves 11.44% and 7.11% on two datasets respectively. Furthermore, the analysis based on mutual information, t-SNE and Shapley values further proves that ASP features have excellent decoding ability for MI-EEG signals, and explains the improvement of classification performance by the introduction of ASP features.
arxiv情報
| 著者 | Xiong Xiong,Ying Wang,Tianyuan Song,Jinguo Huang,Guixia Kang |
| 発行日 | 2023-10-29 23:53:37+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google