通过被试无关信息增强基于SSVEP的脑机接口中被试特定模型的性能
神经元与认知
2020-01-17 v2 人机交互
信号处理
摘要
近年来，基于稳态视觉诱发电位（SSVEP）开发的脑机接口（BCI）系统因其高信息传输率（ITR）和不断增加的靶标数量而备受关注。然而，基于SSVEP的方法在准确率和靶标检测时间方面仍有改进空间。我们提出一种基于典型相关分析（CCA）的新方法，以整合被试特定模型与被试无关信息并提升BCI性能。我们提出利用其他被试的训练数据来优化特定被试的CCA模型的超参数。为与集成任务相关成分分析（TRCA）进行公平比较，我们还开发了所提方法的集成版本。该方法与TRCA及扩展CCA方法进行比较。使用公开可用的35名被试SSVEP基准数据集进行比较研究，并以分类准确率和ITR量化性能。所提方法的ITR高于TRCA和扩展CCA。所提方法在所有条件下均优于扩展CCA，且在时间窗大于0.3 s时优于TRCA。当训练块和电极数量有限时，所提方法也优于TRCA。本研究表明，在被试特定模型中加入被试无关信息可改善基于SSVEP的BCI性能。
引用
@article{arxiv.1907.08705,
title = {Enhancing performance of subject-specific models via subject-independent information for SSVEP-based BCIs},
author = {Mohammad Hadi Mehdizavareh and Sobhan Hemati and Hamid Soltanian-Zadeh},
journal= {arXiv preprint arXiv:1907.08705},
year = {2020}
}
备注
22 pages, 8 figures, 1 table, 1 appendix, published in PLOS ONE journal. This is a draft version. The published version is available in the following link: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0226048