Enhancing classification accuracy of fNIRS-BCI using features acquired from vector-based phase analysis
Notice bibliographique
Résumé
OBJECTIVE: In this paper, a novel methodology for feature extraction to enhance classification accuracy of functional near-infrared spectroscopy (fNIRS)-based two-class and three-class brain-computer interface (BCI) is presented. APPROACH: Novel features are extracted using vector-based phase analysis method. Changes in oxygenated [Formula: see text] and de-oxygenated [Formula: see text]) haemoglobin are used to calculate four novel features: change in cerebral blood volume ([Formula: see text]), change in cerebral oxygen exchange ([Formula: see text]), vector magnitude (|L|) and angle (k). [Formula: see text] is the sum and [Formula: see text] is difference of [Formula: see text] and [Formula: see text], whereas |L| is magnitude and k is angle of vector. fNIRS signals of seven healthy subjects, corresponding to left-hand index finger tapping (LFT), right-hand index finger tapping (RFT) and rest are acquired from motor cortex using multi-channel continuous-wave imaging system. After removing physiological and instrumental noises from the acquired signals, the four novel features are calculated. For validation, conventional temporal, spatial and spatiotemporal features; mean, peak, slope, variance, kurtosis and skewness are also calculated using [Formula: see text] and[Formula: see text]. All possible two-feature and three-feature combinations of the novel and conventional features are then used to classify two-class (LFT vs RFT) and three-class (LFT vs RFT vs rest) fNIRS-BCI using linear discriminant analysis. MAIN RESULTS: Results demonstrate that combination of four novel features yields significantly higher average classification accuracies of 98.7 ± 1.0% and 85.4 ± 1.4% as compared to 68.7 ± 6.9% and 53.6 ± 10.6% using conventional features for two-class and three-class problem, respectively. Validation of proposed method on an open access database containing RFT, LFT and dominant side foot tapping tasks for 30 subjects also shows improvement in average classification accuracies for two-class and three-class fNIRS-BCIs. SIGNIFICANCE: This study provides a step forward in improving the classification accuracies of state-of-the-art fNIRS-BCIs by showing significant improvement in classification accuracies of two-class and three-class fNIRS-BCIs using novel features extracted by vector-based phase analysis.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».