EEG Signal Classification for Multitasking Motor Imagery Using Multi-Layer Time-Varying Functional Brain Network Features
Notice bibliographique
Résumé
Existing research methods for recognizing EEG (Electroencephalogram) signals in motor imagery (MI) often overlook the dynamic changes of brain networks over time, resulting in insufficient classification accuracy for MI tasks. This article addresses the recognition problem of dynamic changes in brain networks during MI tasks and applies an EEG signal classification method based on multi-layer time-varying functional brain networks. This article uses the BCI (Brain-Computer Interface) Competition IV 2a dataset to preprocess the raw EEG signals through bandpass filtering and CSP (Common Spatial Pattern) algorithm. The EEG signals of the MI task are divided into 7 1-second time windows with a step size of 0.5 seconds. Within each time window, Pearson correlation coefficients between EEG channels can be calculated to generate corresponding brain networks, and multiple time-varying functional brain networks can be constructed by stacking the brain networks from multiple time windows. The network topology features, node degree, clustering coefficient, network efficiency, and multi-layer network features of each window can be extracted, including Multiplex Clustering Coefficient (MCC), Multiplex Participation Coefficient (MPC), and inter layer correlation coefficient. By dividing the dataset through 10 fold cross validation, the random forest algorithm can be used to classify and recognize four types of motion imagination tasks. The experimental results show that the average recognition rate of the article’s method in four types of MI tasks reached 89.19%. This method can improve the classification accuracy of MI tasks and enhance a comprehensive understanding of the dynamic changes in brain networks during the process of MI.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,006 |
| Science ouverte | 0,000 | 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 ».