探索基于脑电图脑机接口的两个新特征：多重分形累积量与预测复杂度
神经元与认知
2010-09-21 v2 数据分析、统计与概率
摘要
本文为基于脑电图(EEG)的脑机接口(BCI)设计引入了两个新特征：一个基于多重分形累积量，另一个基于EEG时间序列的预测复杂度。多重分形累积量特征衡量信号规律性，而预测复杂度衡量根据信号过去预测其未来的难度，即其复杂程度。我们针对运动想象对应的EEG数据，评估了这两个新特征的性能。同时，我们将其与BCI领域最成功的特征——即带功率特征——进行了比较。我们在13名受试者的EEG信号上评估了这三类特征及其组合。结果表明，我们的新特征能够带来分类性能提升的BCI设计，尤其是在同时使用并组合这三类特征（带功率、多重分形累积量、预测复杂度）时。
引用
@article{arxiv.1003.2879,
title = {Exploring Two Novel Features for EEG-based Brain-Computer Interfaces: Multifractal Cumulants and Predictive Complexity},
author = {Nicolas Brodu and Fabien Lotte and Anatole Lécuyer},
journal= {arXiv preprint arXiv:1003.2879},
year = {2010}
}
备注
Updated with more subjects. Separated out the band-power comparisons in a companion article after reviewer feedback. Source code and companion article are available at http://nicolas.brodu.numerimoire.net/en/recherche/publications