Filter bank common spatial pattern and envelope-based features in multimodal EEG-fTCD brain-computer interfaces
Notice bibliographique
Résumé
Abstract Brain-computer interfaces (BCIs) exploit brain activity to bypass neuromuscular control with the aim of providing alternative means of communication with the surrounding environment. Such systems can significantly improve the quality of life for patients suffering from severe motor or speech impairment. Multimodal BCIs have been introduced recently to enhance the performance of BCIs utilizing single modality. In this paper, we aim to improve the performance of multimodal BCIs combining Electroencephalography (EEG) and functional transcranial Doppler ultrasound (fTCD). The BCIs included in the study utilized two different paradigms to infer user intent including motor imagery (MI) and flickering mental rotation (MR)/word generation (WG) paradigms. Filter Bank Common Spatial Pattern (FBCSP) algorithm was used to extract features from the EEG data. Several time series features were extracted from the envelope of the fTCD signals. Wilcoxon rank sum test and linear kernel Support vector machines (SVM) were used for feature selection and classification respectively. Additionally, a probabilistic Bayesian fusion approach was used to fuse the information from EEG and fTCD modalities. Average accuracies of 94.53%, 94.9% and 96.29% were achieved for right arm MI versus baseline, left arm MI versus baseline, and right arm MI versus left arm MI respectively. Whereas average accuracies of 95.27%, 85.93% and 96.97% were achieved for MR versus baseline, WG versus baseline, and MR versus WG respectively. Our results show that EEG- fTCD BCIs with the proposed analysis techniques outperformed the multimodal EEG-fNRIS BCIs in comparison.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| 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 | 0,000 |
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 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 ».