Topological Data Analysis and Decoding Based on Electroencephalogram Signals
Notice bibliographique
Résumé
In order to assist patients in performing upper limb activities in a normal manner, research on bimanual coordination is necessary for robots to assist in the rehabilitation process.The objective of this paper is to investigate brain activities in bimanual movements coordination to obtain and decode signals of the electroencephalogram (EEG) in bimanual movements in both real and virtual environments.We designed three paradigms of bimanual coordination tasks to collect and analyse EEG signals, including (1) raise both hands vertically, (2) spread both hands horizontally, (3) left hand horizontally spread to the left, right hand vertically rise upwards.We aim to classify the three types of the motions using persistent homology-based machine learning techniques.First we extract topological features from functional connectivity network and effective connectivity network based on correlations between channels.In particular, the persistent diagrams and persistent landscapes are calculated.Then we use them as input for the classification.Our results show that the highest average binary classification accuracies which is functional connectivity network (FC)+Persistent Scale Space kernel (PSSK), has an accuracy of only 72.48%±1.07%in the real environment.The design of our experimental paradigm and the classification results demonstrated the preliminary exploration and indicated the feasibility of decoding the bimanual coordination on EEG.In the future, we would expand the size of subjects and improve the topological data analysis methods for further exploration of EEG in the field of decoding two-handed coordination.
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 | 0,004 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».