同步脑机接口的贝叶斯非参数模型
计算机视觉与模式识别
2016-12-28 v1 神经元与认知
摘要
脑机接口（BCI）旨在为罹患神经退行性疾病的患者建立非肌肉通信路径。许多BCI系统利用脑波的事件相关同步与去同步现象作为不同认知任务分类的主要特征。然而，脑电图（EEG）信号的时间动态包含可纳入推理引擎以改进BCI性能的附加信息。这些关于信号动态的信息此前已通过生成与判别方法在BCI中得到利用。特别地，隐马尔可夫模型（HMM）已在先前工作中使用。这些方法的缺点是模型参数（如隐状态数和高斯混合数）需要“先验”固定。本工作中，我们提出一种用于脑信号分类的贝叶斯非参数模型，其不需要“先验”选择HMM的隐状态数和高斯混合数。结果表明，所提模型优于其他基于HMM的方法以及BCI竞赛IV的获胜算法。
引用
@article{arxiv.1612.08642,
title = {Bayesian Nonparametric Models for Synchronous Brain-Computer Interfaces},
author = {Jaime Fernando Delgado Saa and Mujdat Cetin},
journal= {arXiv preprint arXiv:1612.08642},
year = {2016}
}