User-Independent SSVEP BCI Using Complex FFT Features and CNN Classification
Notice bibliographique
Résumé
User-independent Brain Computer Interfaces (BCIs) have gained increased attention in recent years for their attractive feature of having minimal or zero calibration. BCIs based on steady state visual evoked potentials (SSVEP) have the most favorable characteristics for developing user-independent BCIs. In this study, we proposed the use of complex Fast Fourier Transform (FFT) features as input to a Convolutional Neural Network (CNN) for classifying SSVEP responses without user specific training. Our proposed method (C-CNN) was tested on two SSVEP datasets, a 7-class SSVEP dataset with 14 participants and a publicly available 12-class SSVEP dataset with 10 participants. We compared the proposed method with Canonical Correlation Analysis (CCA) and CNN classification using the magnitude spectrum features (M-CNN) of SSVEP. Results showed that the proposed C-CNN outperforms CCA and M-CNN, with an accuracy significantly higher than CCA, in both 7-class and 12-class SSVEP datasets. Overall accuracies comparing C-CNN vs M-CNN vs CCA were 79.42% vs. 69.60% vs. 67.91 (7-class) and 81.6% vs. 70.60% vs. 62.7% (12-class) with a data length of 1 second. The results suggest that by using the complex FFT features, the CNN learns to use both frequency and phase related information to classify SSVEP responses. With 1 second data length, user-independent training and a simple model, the proposed method is suitable for developing practical BCI systems that can enhance human-computer interactions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».