使用黎曼概率贝叶斯累积的端到端 P300 脑机接口
机器学习
2022-11-16 v3 人机交互
信号处理
摘要
在脑机接口（BCI）中，大多数基于事件相关电位（ERP）的方法聚焦于 P300 的检测，旨在实现拼写任务中的单次试验分类。尽管这是一个重要目标，现有 P300 BCI 仍需多次重复才能达到正确的分类准确率。P300 BCI 中的信号处理与机器学习进展主要围绕 P300 检测部分，而将字符分类排除在范围之外。为在保持良好字符分类的同时减少重复次数，关键在于直面完整的分类问题。我们引入了一种端到端流水线，从特征提取开始，由基于概率黎曼 MDM 的 ERP 级分类组成，并为字符级分类提供跨试验置信度的贝叶斯累积。现有方法仅在字符被闪烁时增加其置信度，而我们称为黎曼概率贝叶斯累积（ASAP）的新流水线在每次闪烁后更新每个字符的置信度。我们给出了该贝叶斯方法的恰当推导与理论重构，以实现从信号到 BCI 字符的信息无缝处理。我们证明，在公开 P300 数据集上，我们的方法显著优于标准方法。
引用
@article{arxiv.2203.07807,
title = {End-to-end P300 BCI using Bayesian accumulation of Riemannian probabilities},
author = {Quentin Barthélemy and Sylvain Chevallier and Raphaëlle Bertrand-Lalo and Pierre Clisson},
journal= {arXiv preprint arXiv:2203.07807},
year = {2022}
}
备注
9 pages, 7 figures, 3 tables