Investigating the addition of singing imagery as a control task in motor imagery BCI
Notice bibliographique
Résumé
Active BCIs often rely on the performance of various imagery tasks that can be detected and decoded as commands for operating an external device. An increase in the number of these commands would significantly improve the functionality of the system and, as a result, quality of life for the user. This study focuses on augmenting the practicality and performance of such systems by investigating the mental task of singing imagery. Singing imagery is the simple act of imagining singing a song in your head and is a common experience for most people. However, despite its intuitive and straightforward nature, the potential of singing imagery for improving the performance of active BCIs or increasing their number of commands has not been fully investigated.In this study, along with various binary analyses, singing imagery is combined with a set of conventional tasks in BCI design (i.e., the motor imagery of large body parts like hands, feet, and tongue) for 4-class, 5-class (adding a “rest” state), and ultimately 6-class scenarios to evaluate the possibilities of enhancing the active BCI systems. Incorporating a singing imagery task in the 4 and 5-class combinations yielded up to 6.6% and 6.7% improvements in classification accuracy for the two cases, respectively. Furthermore, for the 6-class scenario, accuracies as high as 49.8%, which is well above the chance level of 16.7%, were achieved.The preliminary results, obtained from five participants, suggested that singing imagery could be a viable option for improving the classification accuracy or increasing the number of commands.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».