松下|在现实生活中,环境的变化和用户的移动会产生很多的噪音和脑电图伪影

松下|在现实生活中,环境的变化和用户的移动会产生很多的噪音和脑电图伪影

文章图片

松下|在现实生活中,环境的变化和用户的移动会产生很多的噪音和脑电图伪影

文章图片

松下|在现实生活中,环境的变化和用户的移动会产生很多的噪音和脑电图伪影

文章图片


根据对六十一名肌萎缩性侧索硬化症患者进行的一项调查 , 大多数参与者更喜欢至少百分之九十的命令分类准确率 , 不幸的是 , 目前基于语音图像的脑机接口开发无法实现这一点 。 通过在数据处理、特征提取方法和分类模型方面开发更强大的算法 , 可以进一步提高分类精度 。 系统还需要在其他方面进行改进 。 首先 , 目前大多数基于语音图像的脑机接口研究 , 都是在实验室中进行的 , 以最大限度地减少来自环境的噪音 , 并且在受试者静止不动时获取数据 。


在现实生活中 , 环境的不断变化和用户的移动会产生更多的噪音和脑电图伪影 。 因此 , 需要降噪和脑电伪影去除方法来使系统高效工作 。 其次 , 由于脑电图是非平稳的生物信号 , 可能会随着时间、环境和人体状况而变化 , 因此系统模型每次使用前都需要校准 。 这个问题可以通过使用通用模型或迁移学习技术来缓解 。 迁移学习是一种通过利用来自源域的知识来提高目标域的学习性能来提高机器学习模型的泛化性的方法 。

最近的研究表明 , 迁移学习技术可以在主体内和主体间的基础上提高基于语音图像的脑机接口系统中模型的性能 。 此外 , 由于这项研究仅针对健康受试者进行 , 因此有必要重复该实验以确认同样的结果也适用于患有闭锁综合征或肌萎缩性侧索硬化症的患者 。 此外 , 运动想象研究表明 , 来自尝试运动的大脑信号比来自想象运动的信号更类似于来自实际运动的信号 , 这可能是由于在运动想象任务期间发生的运动抑制机制 。


使用尝试移动任务的基于运动想象的脑机接口系统也优于使用运动想象任务的系统 。 因此 , 进行一项研究以比较从实际、尝试和想象的语音中获得的大脑信号与其在脑机接口系统中的各自表现之间的比较是很有趣的 。 在这项研究中 , 科学家们提出了一种语音-基于图像的脑机接口系统 , 以脑电图为数据采集方法 , 最终目标是构建一个良好的日常生活脑机接口框架 。

所提出的系统使用脑电图协方差矩阵的黎曼切线空间投影作为具有多层极限学习机的输入特征来对数据进行分类 。 从数据分析中 , 研究人员们发现一些证据表明 , 在语音图像任务中 , 布罗卡和韦尼克区域在伽马频带中的大脑活动占主导地位 。 多类语音图像实验的结果表明 , 尽管头皮脑电图在所有受试者中的平均准确度略高 , 但在十分之七的受试者中 , 耳脑电图的分类结果与头皮脑电图没有显着差异 。


此外 , 使用ELM模型将耳朵脑电图特征映射到头皮脑电图特征空间并不能显着提高系统的分类精度 。 总体而言 , 这项研究的结果表明 , 对于基于语音图像的脑机接口系统 , 耳脑电图采集方法具有作为传统头皮脑电图更方便和谨慎的替代方案的巨大潜力 。 建议未来对基于语音图像的脑机接口的研究应开发更强大的数据处理和机器学习技术 , 以提高分类准确性 , 然后再将其用于实际应用 。 随着基于脑电图的应用的增长 , 对经济实惠的消费者解决方案的需求也在增加 。

相关经验推荐