ECOGベースの脳コンピューターインターフェイスを使用した運動画像認識のためのスペクトロ時代の表現のデコード

脳コンピューターインターフェイスシステムの課題の1つは、脳活動から運動画像認識を取得することです。運動画像プロセス中の脳信号デコードの堅牢性とシステムのパフォーマンスの改善は、脳コンピューターのインターフェイス研究における重要な問題の2つです。従来のアプローチでは、機能の効果的なデコードとアルゴリズムの高い複雑さが不十分なパフォーマンスにつながることがよくあります。モーター画像タスクの認識のための新しい方法は、電気皮質グラム活動の挙動を特徴付けるために、分光音域表現のために修正されたS-トランスフォームを採用することに基づいて開発されています。分類器は、サポートベクターマシンを使用してトレーニングされ、最適化されたラッパーアプローチが適用され、選択した表現選択を実装する選択ガイドが得られます。チャネル選択アルゴリズムは、分類パフォーマンスを効果的に改善する交差検証ステップを追加することにより、ラッパーアプローチを最適化します。変更されたS-Transformは、イベント関連の非同期/イベント関連の同期現象を正確にキャプチャでき、感覚運動リズム情報を効果的に見つけることができます。このスキームで使用される最適化されたラッパーアプローチは、特徴のディメンションを効果的に削減し、アルゴリズムの効率を向上させることができます。この方法は、98％の認識精度と0.8586ビット/トライアルの情報転送率で、公開電気皮質図データセットで評価されます。チャネル選択の効果を検証するために、電気皮質と脳波データの両方が実験的に分析されます。さらに、このスキームの計算効率は、将来の認知タスクにおけるオンラインの脳コンピューターインターフェイスシステムの可能性を示しています。

One of the challenges in brain-computer interface systems is obtaining motor imagery recognition from brain activities. Brain-signal decoding robustness and system performance improvement during the motor imagery process are two of the essential issues in brain-computer interface research. In conventional approaches, ineffective decoding of features and high complexity of algorithms often lead to unsatisfactory performance. A novel method for the recognition of motor imagery tasks is developed based on employing a modified S-transforms for spectro-temporal representation to characterize the behavior of electrocorticogram activities. A classifier is trained by using a support vector machine, and an optimized wrapper approach is applied to guide selection to implement the representation selection obtained. A channel selection algorithm optimizes the wrapper approach by adding a cross-validation step, which effectively improves the classification performance. The modified S-transform can accurately capture event-related desynchronization/event-related synchronization phenomena and can effectively locate sensorimotor rhythm information. The optimized wrapper approach used in this scheme can effectively reduce the feature dimension and improve algorithm efficiency. The method is evaluated on a public electrocorticogram dataset with a recognition accuracy of 98% and an information transfer rate of 0.8586 bit/trial. To verify the effect of the channel selection, both electrocorticogram and electroencephalogram data are experimentally analyzed. Furthermore, the computational efficiency of this scheme demonstrates its potential for online brain-computer interface systems in future cognitive tasks.