任务过程脑电图电极、近红外辐射源和探测器的放置。除了采集fNIR数据的36个通道,还添加了按照10-20系统放置的EEG电极。
算法的总体结构。将脑电信号和fNIRS信号分别进行预处理后,分为训练集和测试集,通过ICA算法调整训练集数据的信道顺序,然后使用RCSP框架生成特征,最后结合LDA和KNN进行分类
特征提取的算法由两部分组成,模型训练和模型测试,在第一部分中,和以往基于单一信号的处理方法不同,该方法在通过基于ICA的源分布关联算法调整信道后,将脑电训练数据集引入到空间滤波器的计算中,然后基于RCSP框架再利用fNIRS数据构建复合空间滤波器。其中,RCSP正则化参数的选择通过集成学习的方法确定。最后,将滤波提取的特征输入线性判别分析(LDA)进行降维,并使用K近邻(KNN)算法进行分类。
基于运动想象数据的处理后大脑空间模式
在比较了CSP、R-CSPCV和R-CSP-E的总体平均分类精度后,发现R-CSP-E算法优于传统CSP算法,正确分类率平均提高了7%,说明了集合学习方法相对于传统交叉验证法的优势。与信道特征提取方法和传统的CSP算法相比,R-CSP-E可以将分类准确率平均提高至少6%。在R-CSP-E滤波器引入EEG信号后,比CSP滤波器具有更强的识别能力,这也符合神经生理学研究的预期。
该方法最主要的优势在于计算fNIRS信号特征时考虑了EEG的特征空间,提升了信息维度,从而也提高了分类结果的准确率。运动想象脑机接口在康复训练和神经功能恢复方面有广泛的应用。而fNIRS,基于神经血管耦合性,在监测大脑功能激活模式和神经康复方面也发挥了可靠的作用,可以用来监测病人的运动和认知能力随着时间推移而改善的过程。fNIRS-BCI性能的扩展提高将促进认知神经科学和神经可塑性的发展,同时也为多模态信号训练混合型BCI系统提供了一个可靠的优化思路。
参考文献:
Wang Y, Yang Z, Ji H, et al. Cross-Modal Transfer Learning From EEG to Functional Near-Infrared Spectroscopy for Classification Task in Brain-Computer Interface System[J]. Frontiers in Psychology, 2022, 13.
链接:https://www.frontiersin.org/articles/10.3389/fpsyg.2022.833007/full
联系客服