通过数据增强和语言模型提高SSVEP BCI Speller的性能
人机交互
2024-12-31 v1 神经与进化计算
摘要
稳态视觉诱发电位(SSVEP) speller是为具有障碍者的沟通工具的有前景的选择。该脑机接口利用来自(subject的)头部电生理学(EEG)电极的尺度潜能数据来解码特定字母或主体正在屏幕上注视的任意目标。然而，SSVEP speller的深度神经网络常因EEG数据中的高变异性而出现低准确率和poor generalizability。本研究提出一种结合数据增强和语言建模的混合方法来增强SSVEP speller的性能。使用清华大学的基准数据集，我们探索各种数据增强技术，包括频率遮蔽、时间遮蔽和噪声注入，以提高深度学习模型的鲁棒性。此外，我们将语言模型(CharRNN)与EEGNet集成以包含语言上下文，显著提高单词级解码准确率。我们的结果显示，准确率比基线提高了最高2.9个百分点，其中时间遮蔽和语言建模显示最具前景。该工作为更准确和更通用的SSVEP speller系统铺平了道路，为具有障碍者提供改进的沟通解决方案。
引用
@article{arxiv.2412.20052,
title = {Improving SSVEP BCI Spellers With Data Augmentation and Language Models},
author = {Joseph Zhang and Ruiming Zhang and Kipngeno Koech and David Hill and Kateryna Shapovalenko},
journal= {arXiv preprint arXiv:2412.20052},
year = {2024}
}