Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
OISVM: Mô hình phân loại EEG dựa trên Máy vector hỗ trợ gia tăng tối ưu cho giao diện não-máy tính
Tóm tắt
Giao diện não-máy tính (BCI) là một lĩnh vực của khoa học máy tính nơi người dùng có thể tương tác với thiết bị thông qua tín hiệu não. Các tín hiệu não được mô phỏng từ vỏ não vận động mà không cần căng thẳng các cơ bắp và không cần hình dung hoạt động vận động. Bằng cách cấy đặt nhiều điện cực trên đầu người tham gia, điện não đồ (EEG) là một kỹ thuật được sử dụng để ghi lại các mô hình điện được tạo ra bởi não. Chức năng chính của BCI dựa trên EEG là theo dõi hoạt động thần kinh trong não và chuyển đổi nó thành các tín hiệu hoặc quyết định. Bài báo này trình bày một thuật toán tìm kiếm khỉ đầu chó (CSA) tối ưu hóa máy vector hỗ trợ gia tăng (ISVM) cho việc diễn giải và phân loại BCI dựa trên EEG. CSA chủ yếu được kết hợp để tối ưu hóa các tham số hình phạt và hạt nhân của thuật toán ISVM. Mục tiêu chính của bài báo này là nhằm cải thiện tương tác của bệnh nhân đột quỵ qua máy tính bằng cách giám sát suy nghĩ của họ. Các đặc điểm (tín hiệu điện), điều đóng góp nhiều nhất cho biến đầu ra (các chuyển động tay), được xác định thông qua phương pháp phân tích thành phần chính thưa (SPCA). Mô hình được đề xuất chủ yếu được huấn luyện và kiểm tra bằng cách sử dụng các tập dữ liệu từ cuộc thi giao diện não-máy tính Berlin (BCI) III 4a và cuộc thi BCI IV. Hiệu quả của mô hình được đề xuất trong việc phân tích các nguồn vỏ não được xác định thông qua các chỉ số hiệu suất khác nhau như độ chính xác, độ chính xác (precision), F-score, v.v. Mô hình được đề xuất cung cấp các giá trị độ chính xác, F1-score và độ hồi đáp tương ứng là 92,24%, 93,12% và 93,35%, điều này cho thấy hiệu quả của nó trong việc xác định các chuyển động tay, chân hoặc lưỡi.
Từ khóa
#Giao diện não-máy tính #Điện não đồ #Máy vector hỗ trợ gia tăng #Phân tích thành phần chính thưa #Tín hiệu nãoTài liệu tham khảo
Benzy VK, Vinod AP, Subasree R, Alladi S, Raghavendra K. Motor imagery hand movement direction decoding using brain computer interface to aid stroke recovery and rehabilitation. IEEE Trans Neural Syst Rehabil Eng. 2020;28(12):3051–62.
Mashat MEM, Lin CT, Zhang D. Effects of task complexity on motor imagery-based brain–computer interface. IEEE Trans Neural Syst Rehabil Eng. 2019;27(10):2178–85.
Wu D, Xu Y, Lu BL. Transfer learning for EEG-based brain-computer interfaces: a review of progress made since 2016. IEEE Trans Cognit Dev Syst. 2020.
Deng X, Zhang B, Yu N, Liu K, Sun K. Advanced TSGL-EEGNet for motor imagery EEG-based brain-computer interfaces. IEEE Access. 2021;9:25118–30.
Gaur P, Pachori RB, Wang H, Prasad G. An automatic subject specific intrinsic mode function selection for enhancing two-class EEG-based motor imagery-brain computer interface. IEEE Sens J. 2019;19(16):6938–47.
Zhang K, Robinson N, Lee SW, Guan C. Adaptive transfer learning for EEG motor imagery classification with deep convolutional neural network. Neural Netw. 2019;136:1–10.
Aggarwal S, Chugh N. Signal processing techniques for motor imagery brain computer interface: a review. Array. 2019;1:100003.
Amin SU, Alsulaiman M, Muhammad G, Mekhtiche MA, Hossain MS. Deep learning for EEG motor imagery classification based on multi-layer CNNs feature fusion. Futur Gener Comput Syst. 2019;101:542–54.
Raza H, Rathee D, Zhou SM, Cecotti H, Prasad G. Covariate shift estimation based adaptive ensemble learning for handling non-stationarity in motor imagery related EEG-based brain-computer interface. Neurocomputing. 2019;343:154–66.
Sun B, Zhao X, Zhang H, Bai R, Li T. EEG motor imagery classification with sparse spectrotemporal decomposition and deep learning. IEEE Trans Autom Sci Eng. 2020;18(2):541–51.
Ieracitano C, Mammone N, Hussain A, Morabito FC. A novel explainable machine learning approach for EEG-based brain-computer interface systems. Neural Comput Appl. 2021;1–14.
Tanveer M, Tiwari A, Choudhary R, Jalan S. Sparse pinball twin support vector machines. Appl Soft Comput. 2019;78:164–75.
Lawhern VJ, Solon AJ, Waytowich NR, Gordon SM, Hung CP, Lance BJ. EEGNet: a compact convolutional neural network for EEG-based brain-computer interfaces. J Neural Eng. 2018;15(5):056013.
Anjerani M, Pedram MM, Mirzarezaee M, Malekian E. Data augmentation and feature extraction using deep learning for motor imagery EEG-based brain-computer interface classification. SSRN. Retrieved November 28, 2022, from https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4013194.
Ko LW, Ranga SSK, Komarov O, Chen CC. Development of single-channel hybrid BCI system using motor imagery and SSVEP. J Healthc Eng. 2017.
Li C, Xu J, Zhu Y, Kuang S, Qu W, Sun L. Detecting self-paced walking intention based on fNIRS technology for the development of BCI. Med Biol Eng Compu. 2020;58(5):933–41.
Lee DY, Lee M, Lee SW. Decoding imagined speech based on deep metric learning for intuitive BCI communication. IEEE Trans Neural Syst Rehabil Eng. 2021;29(1363–1374):2.
Yu X, Aziz MZ, Sadiq MT, Fan Z, Xiao G. A new framework for automatic detection of motor and mental imagery EEG signals for robust BCI systems. IEEE Trans Instrum Meas. 2021;70:1–12.
Wang H, Yuan Z, Cheng Q, Zhang S. Geochemical anomaly mapping using sparse principal component analysis in Jining, Inner Mongolia, China. J Geochem Explor. 2022;106936.
Yuan SF, Yu YB, Li MZ, Jiang H. A direct method to Frobenius norm-based matrix regression. Int J Comput Math. 2020;97(9):1767–80.
Xu D, Jiang M, Hu W, Li S, Pan R, Yen GG. An online prediction approach based on incremental support vector machine for dynamic multiobjective optimization. IEEE Trans Evol Comput. 2021.
Tanveer M, Shubham K, Aldhaifallah M, Ho SS. An efficient regularized K-nearest neighbor based weighted twin support vector regression. Knowl-Based Syst. 2016;2016(94):70–87.
Braik M, Sheta A, Al-Hiary H. A novel meta-heuristic search algorithm for solving optimization problems: capuchin search algorithm. Neural Comput Appl. 2021;33(7):2515–47.
Kirar JS, Agrawal RK. Optimal spatio-spectral variable size subbands filter for motor imagery brain computer interface. Procedia Computer Science. 2016;84:14–21.
Tangermann M, Müller KR, Aertsen A, Birbaumer N, Braun C, Brunner C, Leeb R, Mehring C, Miller KJ, Mueller-Putz G, Nolte G. Review of the BCI competition IV. Front Neurosci. 2012;55.
Richhariya B, Tanveer M. EEG signal classification using Universum support vector machine. Expert Syst Appl. 2018;106:169–82.
Gupta S, Krishna KH, Pachori RB, Tanveer M. Fourier-Bessel series expansion based technique for automated classification of focal and non-focal EEG signals. In 2018 International Joint Conference on Neural Networks (IJCNN) (pp. 1–6). IEEE. 2018.
Ganaie MA, Tanveer M, Jangir J. EEG signal classification via pinball Universum twin support vector machine. Ann Oper Res. 2022;1–42.
Tanveer M, Rajani T, Rastogi R, Shao YH, Ganaie MA. Comprehensive review on twin support vector machines. Ann Oper Res. 2022;1–46.