基于粒子群优化算法的自适应空间滤波器改进的运动想象分类

Oct, 2023

基于粒子群优化算法的自适应空间滤波器改进的运动想象分类

Improved Motor Imagery Classification Using Adaptive Spatial Filters Based on Particle Swarm Optimization Algorithm

Xiong Xiong, Ying Wang, Tianyuan Song, Jinguo Huang, Guixia Kang

TL;DR基于粒子群优化算法的自适应空间滤波器解决方法 (ASP) 提出了一种训练和测试框架，用于运动意象脑机接口 (MI-BCI) 信号分类。在两个公共数据集上进行的比较实验显示了 FBCSP-ASP 方法的卓越平均识别准确率，该方法在 MI-BCI 上取得了显著的性能提升，对两个数据集的分类准确率分别达到了 74.61% 和 81.19%。与基线算法 (FBCSP) 相比，该算法在两个数据集上分别提高了 11.44% 和 7.11%。此外，基于互信息、t-SNE 和 Shapley 值的分析进一步证明了 ASP 特征对 MI-EEG 信号具有出色的解码能力，并解释了引入 ASP 特征后分类性能的改善。

Abstract

As a typical self-paced brain-computer interface (BCI) system, the motor imagery (MI) BCI has been widely applied in fields such as robot control, stroke rehabilitation, and assistance for patients with stroke or spinal cord injury. Many studies have focused on the traditional spatial filters

motor imagery bci spatial filters particle swarm optimization algorithm eeg signals mi-eeg signals

发现论文，激发创造

以二维图像为表示的适当拓扑地图上的时空汇聚用于脑电图分类

基于脑电信号的运动想象分类的研究提出了一种新的方法，利用坐标转换的 t-SNE 生成二维图像来表示拓扑地图，利用 InternImage 提取空间特征，利用 PoolFormer 启发的时空汇聚来利用序列的脑电图像中隐藏的时空信息，通过实验表明该方法在跨个体验证中二、三、四类运动想象任务中均取得了最佳的分类精度，分别达到了 88.57%、80.65% 和 70.17%。

Mar, 2024

时频分析下基于 SPD 流形的图神经网络在运动想象分类中的应用

介绍了一种名为 Graph-CSPNet 的基于图的技术，结合时频分析的基本视角，用于 MI-EEG 分类。与 Tensor-CSPNet 不同，该方法在 MI-EEG 分类方面实现了更好的结果。

Oct, 2022

提升脑机接口性能：基于正则化 CSP 和 SPEA II 多目标优化的 EEG 信号通道选择优化

优化多维脑电图信号的性能，我们利用了最先进的 Strength Pareto Evolutionary Algorithm II（SPEA-II），以达到识别最相关通道的最佳选择策略，并借助集成学习模型来优化脑电图信号的分类性能。

Apr, 2024

利用 Riemann 切空间映射和交叉频率耦合提升脑机接口中的运动想象解码

使用 Riemann Tangent Space Mapping 和 Dichotomous Filter Bank with Convolutional Neural Network（DFBRTS）这种新方法，该论文在 Motor Imagery（MI）和 Brain Computer Interfaces（BCIs）领域进行研究，以提高 MI 特征的表示质量和解码能力，经过对两个基准数据集的广泛实验，DFBRTS 在 MI 解码方面表现出显著优于其他方法的结果。

Oct, 2023

基于关注力的脑电运动想象分类任务中的小样本关系学习

通过深度学习的 FEW-SHOT 架构，提高结合关系得分分类 MI EEG 信号的准确度。

Mar, 2020

稀疏时空脑机接口的分解方法

本研究提出了一种稀疏情况下基于因子分解的脑机接口信号处理方法，通过采用不同的特征提取器从潜空间获取不同表示并最小化潜空间共享情况，成功地提取到了稀疏条件下的脑电信号的决定性特征。

Jun, 2022

基于运动意向脑电的脑机接口的人工智能方法的演变

本文研究了应用于不同年份和不同设备采集的数据集的人工智能方法在运动想象电生理信号脑机接口数据上的演变和影响，提供了简洁而全面的调查。

Oct, 2022

基于脑电心智模拟的独立主体深度架构 EEG 分类

提出了一种新颖的主体无关的半监督深度架构（SSDA），它包括两个部分：无监督部分（CST-AE）从训练样本中提取潜在特征，并降低表示的维度，保证其可辨识性；监督部分利用无监督部分获取的特征，学习基于标记训练样本的分类器，并通过中心损失减小类中每个点到其中心的嵌入空间距离。SSDA 在测试阶段表现出优越性能，仅使用少量标记训练样本即可获得强大的分类性能。

Jan, 2024

使用通用深度域适应框架预热跨会话运动想象分类

提出了一种用于跨会话 MI 分类的全新的深度域自适应 (SDDA) 框架，并应用于既有的人工神经网络中，以提高模型的泛化能力与分类准确率。通过两项 MI-EEG 公共数据集上的实验证明，所提出的 SDDA 框架能够显著提高 EEGNet 和 ConvNet 的 MI 分类准确率，在文献中优于现有的其他方法。

Feb, 2022

3D-CLMI：基于 3D-CNN、LSTM 和注意力机制的运动想象 EEG 分类模型

本研究提出了一种结合三维卷积神经网络与长短期记忆网络并具有注意力机制的模型来对运动想象 - 电子脑接口信号进行分类，实验结果表明该模型在运动想象任务领域取得了更高的分类准确度和 F1 值，对于用户的运动想象意图的分类准确度有较大的提升。

Dec, 2023