面向多类运动前分类的研究
人机交互
2022-10-07 v2
摘要
在 noninvasive 脑机接口系统中，运动前解码在实际肢体运动之前检测运动中起着重要作用。运动相关皮层电位是一种与运动前解码相关的大脑活动。在当前研究中，从运动中解码出的模式主要应用于运动状态与静息状态之间的二分类，例如肘屈曲与休息。两种运动状态之间以及多种运动状态之间的分类仍然具有挑战性。本研究提出一种新方法，即星型排列谱滤波（SASF），以解决多类运动前分类问题。我们首先设计了一个由两模块组成的参考任务相关成分分析（RTRCA）框架。第一模块是运动状态与静息状态之间的分类；第二模块是多种运动状态的分类。SASF 通过优化 RTRCA 中的特征而发展出来。在 SASF 中，对 RTRCA 第一模块使用滤波器组上的特征选择，对 RTRCA 第二模块使用时间窗上的特征选择。使用线性判别分析分类器对优化后的特征进行分类。在两种运动之间的二分类中，SASF 的分类准确率达到 0.96700.0522，显著高于深度卷积神经网络（0.62470.0680）和判别空间模式方法（0.44000.0700）给出的结果。在 7 种状态的多类分类中，SASF 的分类准确率为 0.94910.0372。所提出的 SASF 大幅改善了两种运动之间的分类，并实现了多种运动之间的分类。结果表明，在实际肢体运动之前即可从 EEG 信号中解码出运动。
引用
@article{arxiv.2201.12157,
title = {Towards Multi-class Pre-movement Classification},
author = {Hao Jia and Zhe Sun and Feng Duan and Yu Zhang and Cesar F. Caiafa and Jordi Solé-Casals},
journal= {arXiv preprint arXiv:2201.12157},
year = {2022}
}