基于NIRS-BCI利用小波分析检测运动想象

2022-01-21 17:37:00 发布者: 查看:
此文利用小波分析来解析信号以判断运动想象和静息态,分类器使用支持向量机(SVM),二分类正确率为0.83(PS:有点低)。

1.研究背景

此文旨在脑机接口(BCI)方向上尝试新的分析方法。在导引中宣称小波(Wavelet)分析方法还没有被用来分析NIRS平台下的运动想象BCI范式上。小波分析可以看作是对傅里叶分析的改良,基本思想是利用非全局性的小波函数拟合信号(一维二维均可)。此文利用小波分析来解析信号以判断运动想象和静息态,分类器使用支持向量机(SVM),二分类正确率为0.83(PS:有点低)。

2.研究方法

2.1 被试

被试共五人,年龄在24-34之间,性别不详。

2.2 设备配置

近红外实验设计近红外光源探测器布局 

图1. 电极配置

设备使用8导ISS Imagent,包含两个探测器和8个光源。电极配置如图1,使用10-20系统。光源波长为690nm和830nm两种模式,一个光源采样频率为6.25Hz。

2.3 实验流程

流程如图2,被试根据箭头执行相应手的运动想象,想象动作为抓取。一个trial做10次运动想象,持续15s;休息10次,持续60s。整体实验开始前测量60s的静息态。

近红外实验安排 

图2. 实验时间安排

2.4分析方法

对测量的原始数据,即不同波长光源的衰减程度,做小波变换。小波函数及参数如下,分解出来的细节系数和近似系数当作特征丢入SVM。SVM评价采用留一法做交叉验证,SVM的核函数是线性核函数。

3.结论

此文使用小波分析来提取NIRS的特征进而判别二分类的运动想象任务,宣称可以有效提取不同任务的特征,最高正确率能到0.85左右。

近红外分析结果 

5.文献名称及DOI号

Motor Imagery Detection with Wavelet Analysis for NIRS-based BCI. Bonkon Koo et al. Brain Imagin Device.

DOI:10.1109/IWW-BCI.2016.7457441