利用分类器集成提升基于异步 EEG 的运动预测鲁棒性
机器学习
2026-01-09 v1
摘要
目标: 中风是导致残疾的主要原因之一。一种有前景的做法是通过自发机器人辅助运动疗法来延伸康复。为实现这一点，需要检测患者的意图以触发机器人装置的帮助。这种运动意图可以从人类表面脑电图(EEG)信号中检测到;然而，在在线和异步进行分类时，对其解码尤其具有挑战性。本文研究了分类器集成和滑动窗口后处理技术的有效性，以增强此类异步分类的鲁棒性。方法: 为了研究分类器集成和滑动窗口后处理的有效性，分析了两个 EEG 数据集，这些数据集包含 14 名健康受试者完成自发手臂运动。 conducted offline 和 pseudo-online 评估，以比较支持向量机 (SVM)、多层感知器 (MLP) 和 EEGNet 分类模型的集成组合。结果: 伪在线评估结果表明，对于最佳后处理窗口数，两个模型集成显著优于最佳单一模型。特别地，对于单一模型，后处理窗口数增加显著改善了分类性能。有趣的是，我们发现最佳单一模型和分类器集成在离线评估中的性能之间没有显著差异。意义: 我们证明了分类器集成和适当的后处理方法有效增强了从 EEG 信号中异步检测运动意图的能力。特别是，分类器集成方法在在线分类中取得的改进大于离线分类，减少了误检测，即早期误报。
引用
@article{arxiv.2601.04286,
title = {Enhancing Robustness of Asynchronous EEG-Based Movement Prediction using Classifier Ensembles},
author = {Niklas Kueper and Kartik Chari and Elsa Andrea Kirchner},
journal= {arXiv preprint arXiv:2601.04286},
year = {2026}
}