Reduce brain computer interface inefficiency by combining sensory motor rhythm and movement-related cortical potential features
Notice bibliographique
Résumé
OBJECTIVE: Brain Computer Interface (BCI) inefficiency indicates that there would be 10% to 50% of users are unable to operate Motor-Imagery-based BCI systems. Importantly, the almost all previous studieds on BCI inefficiency were based on tests of Sensory Motor Rhythm (SMR) feature. In this work, we assessed the occurrence of BCI inefficiency with SMR and Movement-Related Cortical Potential (MRCP) features. APPROACH: A pool of datasets of resting state and movements related EEG signals was recorded with 93 subjects during 2 sessions in separated days. Two methods, Common Spatial Pattern (CSP) and template matching, were used for SMR and MRCP feature extraction, and a winner-take-all strategy was applied to assess pattern recognition with posterior probabilities from Linear Discriminant Analysis to combine SMR and MRCP features. MAIN RESULTS: The results showed that the two types of features showed high complementarity, in line with their weak intercorrelation. In the subject group with poor accuracies (< 70%) by SMR feature in the two-class problem (right foot vs. right hand), the combination of SMR and MRCP features improved the averaged accuracy from 62% to 79%. Importantly, accuracies obtained by feature combination exceeded the inefficiency threshold. SIGNIFICANCE: The feature combination of SMR and MRCP is not new in BCI decoding, but the large scale and repeatable study on BCI inefficiency assessment by using SMR and MRCP features is novel. MRCP feature provides the similar classification accuracies on the two subject groups with poor (< 70%) and good (> 90%) accuracies by SMR feature. These results suggest that the combination of SMR and MRCP features may be a practical approach to reduce BCI inefficiency. While, 'BCI inefficiency' might be more aptly called 'SMR inefficiency' after this study.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».