面向多试次P300型脑机接口的人类大脑神经网络多字符识别方法
人机交互
2024-10-14 v1
摘要
脑机接口 (BCI) 通过解码脑信号实现用户与计算机之间的直接交互。本研究针对检测电生理图中的P300事件相关电位 (event-related potentials, ERP) 以及在特征不均衡、目标概率低和信噪比 (signal-to-noise ratio, SNR) 较差的oddball范式中整合这些P300响应进行字符拼写问题, 提出了一种加权集成时空卷积神经网络 (weighted ensemble spatio-sequential CNN, WE-SPSQ-CNN) 以提高分类准确率和SNR，通过缓解信号变异性来改善字符识别。我们在BCI竞赛III的数据集II上评估了所提出的WE-SPSQ-CNN，在十五个试次中分别实现了69.7%和79.9%的P300分类准确率（分别对应受试者A和B）。在字符识别方面，该模型在五次、十次和十五次重复试验中分别实现了76.5%、87.5%和94.5%的平均准确率。我们的方法在五次重复试验中超越了最先进的模型，在十次和十五次重复试验中实现了相当的性能。
引用
@article{arxiv.2410.08561,
title = {Towards Effective Deep Neural Network Approach for Multi-Trial P300-based Character Recognition in Brain-Computer Interfaces},
author = {Praveen Kumar Shukla and Hubert Cecotti and Yogesh Kumar Meena},
journal= {arXiv preprint arXiv:2410.08561},
year = {2024}
}