深入学习算法对脑机接口

文摘

基于脑电图(EEG)的控制是一种非侵入性技术使用大脑信号来控制电气设备/电路。目前,脑-机接口(BCI)系统提供两种类型的信号,原始信号和逻辑状态信号。后者用于开/关的信号设备。摘要BCI系统的功能研究,调查是如何进行扩展和增强的BCI系统的可靠性和准确性。提供了一个结构化的概述,包括数据采集、特征提取和分类算法方法所使用的不同的研究人员在过去的几年里。一些分类算法因为它使得基于脑电图的BCI系统自适应分类器,张量分类器,将学习方法,和深度学习,以及一些其他的技术。根据我们的评估,我们一般认为,通过自适应分类器,获得准确的结果比静态分类技术。深度学习技术开发实现所需的目标和他们相比其他算法实时实现。

1。介绍

1.1。背景

脑机接口(BCI)是建立一个人类的大脑和计算机设备之间的连接使用大脑信号控制或执行某些活动。这些大脑信号翻译成一个操作设备。接口从而提供了大脑和目标之间的一对一沟通途径。

技术先进的机械设备和触摸系统,而现在,世界正在接近向使用神经波作为输入。尽管它不是目前广泛应用,它有一个有前途的未来。特别是对于身体受损的人面对困难表现在体育活动和失去他们的大脑信号移动他们的肌肉,这是唯一的方法功能。

BCI系统包括一个设备与电极作为传感器和测量大脑信号,放大器提高薄弱的神经信号,计算机信号到控制信号的解码操作设备。BCI设备的耳机便携和可穿戴。

BCI设备有两个功能。首先,它记录的数据回顾电极,其次,它解释或解码神经信号。

神经系统就像一个电气系统作为消息传递神经冲动。这意味着神经元(脑细胞)通信传输和接收很小的脑电波,仅仅在一系列微伏。现在,感觉和记录这些信号,我们需要精确的和先进的传感器。

电极设置直接在头皮上或嵌入在大脑需要外科手术。电极放置的非手术方法虽然不损害大脑,它得到质量低劣的大脑信号。那些记录直接从头皮产生更好的结果,但手术的风险,可能导致大脑损伤。损害大脑组织的风险超过了质量通过手术方法。BCI因此neurorehabilitation瘫痪人的更好的途径。除了这些,其他技术包括功能性磁共振成像(fMRI)和脑磁图描记术(MEG)。功能磁共振成像大脑活动地图用核磁共振扫描仪扫描,而梅格是一个大脑成像过程,识别大脑活动。电流流经大脑产生磁场,这些都是感觉到,磁力计高度敏感。功能磁共振成像和梅格技术使用大型和昂贵的机器。另一个非侵入性的方法是近红外光谱(NIRS)。 In this process, neural signals are recorded by passing NI light through the head. The quality of the brain activity measurement is not adequate for the brain computer interface.

健康的人,大脑中枢神经系统神经信号传递到肌肉,因此,他们可以移动身体的肌肉。然而,在遭受中风或神经肌肉疾病的人群,之间的信号传输大脑和身体的其余部分的肌肉扭曲。病人的身体变得瘫痪或损失控制肌肉运动的能力,如脑瘫。可以看出一个病人可能无法移动肌肉,但大脑可以传递神经信号。这意味着,中枢神经系统的神经信号传输但不受目标肌肉。BCI是旨在利用这些命令控制设备或计算机程序。

身体的每个部分是由大脑的特定部分控制如图。使用BCI技术,观察大脑的哪个部分是活跃和传输信号。通过这个,BCI系统可以预测大脑活动的肌肉运动(1]。

BCI系统先进,可以开发多个新应用程序使用一个各种各样的其他大脑活动也可以认可。例如,当一个执行一个数值计算,额叶被激活,当一个理解语言,韦尼克区被激活。

目前,许多组织导致的进化bci开发众多应用程序,具体的每个类别的消费者。每一天,科学家和工程师正在改善算法,BCI传感器设备和技术实现数据质量和提高系统的准确性。

问题是哪个方法最优分析这些复杂的时变神经反应并相应地映射到输出响应。这些信号的范围仅仅是微伏。这些电信号是通过几个过程去除噪声和收集有用的信号。接下来,算法和分类技术应用于获得的数据(2]。

1.2。预赛

达到更好的理解BCI系统和流程进行,术语的解释和说流程介绍如下。

1.2.1。脑电波

脑电波是振荡从微伏一些毫伏电压轴承振幅;有5个广为人知的脑电波轴承不同的频率范围内表现出大脑的状态如表所示1(3]。

1.2.2。BCI大脑活动记录方法

大脑的神经活动进行分析和理解的基础上,记录方法。BCI的记录方法可以分类如下:

(1)入侵记录技术。入侵记录电极插入的方法是在大脑深处用手术的方法,生成的信号质量是更好的比它的无创同行;然而,问题来自于长期稳定、和保护需要阻碍他们形成感染。这样的一个例子是electrocorticography (ECoG),衡量神经皮层的大脑活动。

(2)无创记录技术。非侵入性技术不需要任何外科手术治疗,因此安全造成任何形式的感染;尽管他们的信号质量较低,这仍然是一个受欢迎的大脑信号采集的方法。

这些技术包括脑电活动的脑电图(EEG)记录头皮的大脑和脑磁图描记术(MEG)磁性展出由于含氧和缺氧血红蛋白的差异记录。

因为它使得基于脑电图为我们的项目,我们将选择一个信号记录在以下技术和解释其特征(1]。

1.3。脑电图(EEG)

汉斯伯格于1929年推出,脑电图是一个测量的电压水平,突显出大脑的活动来响应一个事件或刺激。脑电图方法包括大脑头皮的电极在不同的位置,指定图1提供临时胶水。电气信号是由于离子生成的内容出现在大脑组成的Na +, + +, K +和Cl−离子;这些离子的运输调用中使用的电位脑电图。

低质量的EEG信号,因为不同层的组织之间的脑电图帽和信号源,如图2。潜在的创造了一系列的微伏,和这些电极需要强大的放大器为了获得有意义的信号。

1.4。需要BCI

脑-机基于接口技术是发展的领域,它已被许多行业在关注创新,使日常生活任务更容易。心里出现的问题之一就是为什么我们需要BCI系统?BCI系统是一个复杂的技术,毫无疑问,然而,导致一个更简单的生活。

以下是我们需要关注的主要原因这一技术:(我)控制的设备可以很容易通过我们的思想(2)做出决定,然后执行一个任务需要时间,而操作设备使用的思想或技术上我们的脑电波是容易(3)重建通信路径从大脑到假肢和帮助那些受到大脑相关疾病的影响

1.4.1。个人需要BCI的重建运动控制和沟通

广泛的神经运动神经元疾病和脊髓损伤等疾病可能会导致严重的瘫痪肌肉的运动,限制病人通过只有少数的肌肉,从而控制人工设备称为“闭锁”,而完全失去了运动控制的人称为“完全闭锁”。

明显,正常的通信通道从大脑到四肢,BCI用于重建通信通过一个替代路线。

甚至被适用于一个健康的人,BCI系统可以用来雇佣大量任务的用户使用的信号产生的大脑来控制应用程序如下(在4]:

(1)无创脑机接口研究沃兹沃斯中心。沃兹沃斯中心的研究是研究不同的方法用于BCI来控制电脑屏幕光标来分析他们的优势和劣势;方法之一是感官的节奏控制的选择特性在频域是基于运动图像创造的潜力和线性回归工作,这样他们可以转化为控制信号移动光标。

另一个过程是P300-based光标控制用户的注意力关注和提供所需的象征矩阵产生时变的刺激和线性回归是用来让这些信号作为控制输入移动光标。

研究表明,BCI是一种面向应用的方法,完全取决于用户培训;脑电图特征决定的BCI系统速度、准确性、比特率、和实用性。

鼻中隔黏膜下切除术后感觉运动节奏()是一个方法使用更好的结果等控制任务控制屏幕上的光标,而P300-BCI系统比SMR-BCI慢。

(2)柏林脑机接口:基于机器学习检测特定于用户的大脑状态。柏林脑机接口的研究人员使用感官运动节奏,即。,thinking of moving the left hand or right hand and used machine learning-based detection of the user specific brain states. While testing their trained model, they achieved an information transfer rate above 35 bits per minute (bpm), and overall spelling seed was 4.5 letters per minute including correcting the mistakes, using 128-channel EEG and using feedback control for untrained users in order to properly train the machine learning algorithms, thereby reducing the training user time used in the voluntary control approach [2]。

1.5。BCI的结构

大脑计算机接口系统的步骤包括以下几点:(1)大脑活动BCI的测量/记录方法(2)预处理技术(3)特征提取(4)实现/机器学习分类(5)翻译控制信号

1.5.1。预处理

在BCI,预处理技术包括数据采集大脑信号检查信号质量不丢失重要的信息;清理并进行记录的信号噪声去除获取相关信息编码的信号。正如上面提到的,质量差的EEG信号;甚至商业50赫兹频率,由于附近的电器,可以腐败EEG信号,用户还建议不要认为任何东西除了刺激。在预处理,使用傅里叶变换和傅里叶级数,信号在频域,研究内容存在于信号频率。不受欢迎的60赫兹的频率信号和干扰信号产生的执行操作除了说刺激然后过滤掉使用陷波滤波器所图3。

1.5.2。特征提取

特征提取起着至关重要的作用在脑机接口应用程序;原始的EEG信号的非平稳噪声信号或由于工件存在于环境中,他们被记录,但仍可以从中提取有意义的信息。数据维数也减少了处理得更好,和机器学习模型是应用。这个方法是至关重要的BCI系统的提高分类精度。

脑电图信号时域的非平稳信号,信号能量分析等相关信息作为时间的函数或频率后;相关统计措施适应正确解释的特征信号。

列出了一些常用的特征提取技术如下。

短时傅里叶变换是一种频域特征提取技术的EEG信号卷积窗函数提取相关的大脑的频率特性分解为正弦信号在不同频率范围。

在数学上,它是表示为 在哪里x(k输入脑电图和(n- - - - - -k]窗口增加提取频率特性如图(4]。

离散和连续小波变换是一种时间frequency-based特征提取技术,允许更好的时间和空间分辨率的脑电图信号在小波的形式在不同的频率范围,如图4。

小波变换技术作为文学改编是一个过滤连续应用高通和低通滤波器来提取信号的小波,当加在一起,构成了原始信号和downsampled倍2如图5。

和h是连续高通和低通滤波器产生相关的详细和EEG信号的近似系数(5]。

1.5.3。更正神经网络

在开始解释什么是深度学习之前,首先有利于解释深度学习的作用和它的基本块。

深度学习分类工具用于各种日常应用程序由语音识别和计算机视觉在BCI的背景下自然语言处理;大脑不同频带的输入特性进行分类根据活动用户执行。

神经网络。神经网络模型是一个类似于我们大脑神经元的输入节点和输出节点;神经网络的数学模型是由以下方程: 在哪里是输入和偏差的加权和术语将美联储输出节点,b偏差,主要是设置为1,然后呢是随机分配权重,乘以输入以达到接近愿望的输出。

在图所示的神经网络6。

之前这些计算通常以矩阵的形式;输入,重量计算,输出,和偏差如下:

最后,输出节点传递给激活功能,并提供最终的输出;激活函数计算节点的特点。激活函数行为对应的输入映射到正确的输出y在输出节点:

神经网络不正确的输出在第一次尝试。它需要很多训练,所以训练规则分配给神经网络得到正确的输出。许多训练规则是适应的,但其中最常用的是δ规则,规则是使用下列方程表示: 在哪里x_j代表输入的数量,e_我错误生成的输出节点,α是(0 <之间的学习规则α< 1)。

培训规则总结如下:(1)分配适当的权重值。(2)获取训练数据的输入和饲料到神经网络将给一个输出d;减去的输出d获得正确的输出在输出节点。 (3)计算重量更新: (4)相应地调整权重,直到得到正确的输出,或者有小公差:

上面的解释提出了单层神经网络;神经网络的体系结构变得更好更大内存的成本,但随着更高的分类精度,我们使用深层神经网络是一样的单层神经网络但隐藏层中添加输入和输出节点之间,如图7。

概念是类似于一个神经网络的调整但添加隐藏层和不同的训练规则,因为δ规则有缺点不传播隐藏层的输出,因此权重不调整。

解释深层神经网络的工作原理,上述解释单一神经网络设置为基础。

在图8鉴于分层神经网络,在第一个隐藏层获得的加权和作为

计算输出通过乙状结肠激活功能:

重复该过程,获得的输出作为输入到另一个节点,得到输出

最后,加权和被插入到激活函数,我们返回最终的输出:

深度学习培训规则在下面给出。

反向传播算法通常被用作深层神经网络训练指令;这个过程总结如下:(1)分配适当的权重值。(2)把训练数据的输入和饲料的神经网络将给一个输出d。减去的输出d获得正确的输出在输出节点和δ(δ)输出的节点: (3)传播三角洲回到隐藏的节点,并确定各自的三角洲δ节点: (4)重复,直到达到输入节点。(5)修改权值根据规则: (6)重复这些步骤,直到完全训练神经网络,如图6。

现在,α-β区间提取,连续能量计算。被送入深度学习神经网络的特性,并使用反向传播学习规则,模型训练,收益率97.83%的精度,如图9(5]。

2。相关文献的评论

脑-机接口涉及到各个阶段,在每个阶段会导致一种改进和发展和高效的系统。这里,主要步骤的文献综述,包括数据采集、特征提取、分类算法和应用程序。(1)提高脑电图信号采集:电子方面的前端的艺术状态。计算智能和神经科学:研究论文发表的阿里•Bulent Usakli NCO学院,土耳其,提出了一些适用的问题获得质量脑电图信号被证明有利于用户和设计工程师。最重要的因素之一是选择合适的电极和耳机。以脑波图为基础的BCI、电极、信号处理组件包括精神和环境条件,过滤噪声、放大、信号转换和数据存储影响记录过程。数据采集是一个重要的步骤在任何机器学习的过程。大脑信号需要清洗和预处理,以便可以获得一个好的结果(1]。(2)P300波检测使用Emotiv Epoc +耳机:矩阵的影响大小,闪光持续时间,和颜色:萨利赫易卜拉欣Alzahrani P300波检测进行了研究使用情感Epoc +耳机来研究矩阵的大小的影响,闪光持续时间,和颜色。在这项研究中,P300信号得到从五个主题情感EPOC +使用所有14个频道。对于这个研究,脑电图信号获得沟通软件OpenViBE通过USB集线器。一个示例是每8秒的速度每秒128个样本。配置的采样率为四频段,提供了充足的样本包含重要的ERP数据。信号记录过程期间,受试者显示矩阵的6×6或3×3在电脑屏幕上。他们被要求保持冷静,避免任何不必要的动作,和设置所有信他们拼写的愿望。据报道在这项研究中,使用Emotiv EPOC +耳机的优点是,它仅仅需要两到三分钟准备相比其他耳机,超过十分钟。传感器的质量验证通过Emotiv Xavier SDK提供每个传感器的反馈报告。减少接触阻抗,盐水液应用于传感器表面。 Primary objective was to assess the potential of Emotiv EPOC+ to perceive P300 signals. Finding the electrodes proficient at providing target signals helps minimize the number of channels which makes signal processing a lot easier. The results of this experiment provide evidence of the capability of Emotiv EPOC+ to detect the P300 signals from two channels, O1 and O2 [2]。(3)自动检测癫痫在SEEG使用小波域的高频活动。医学工程学和物理学:在本研究论文中,研究人员发现该方法检测使用小波域的高频分析癫痫发作。该方法使用高度在高频域。因为抢夺者的检测,该方法通常是使用高频率的范围80 - 250赫兹。同时,它可以处理快速涟漪在250赫兹到500赫兹的范围。癫痫检测的最大优势是,它可以探测到癫痫偏移量。方法由连续小波变换(CWT),由卷积计算SEEG信号进行特征提取,它还包括小波基函数的复共轭(Ayoubian, 2013)。(4)癫痫EEG信号的分类使用DWT-based包络分析和神经网络集成:包络检波是一个非常有效的方法对检测信号的影响是基于生物变化或诊断。在这篇文章中,研究人员利用希尔伯特变换有好影响合成信号,信号被广泛使用DWH技术具有独特的行为有关的生物变化;研究人员使用这种方法检测到更改(5]。(5)特征选择对汽车图像脑电图分类基于萤火虫算法和学习自动机:在这个研究论文,研究人员实现光谱线性判别分析分类的运动图像信号。特征提取方法基本上是常见的空间模式;使用该特征提取方法的优势基本上是两种歧视问题。这最大化方差的一个类,减少其他的方差类,这是优势,但缺点是由于多级重叠结构在这种方法中,它不是用于多级预测(6]。(6)无人监督的改编的脑电图信号处理基于模糊c均值算法。国际期刊的自适应控制和信号处理:本研究论文的大脑映射技术强调多通道脑电图和脑功能成像技术。在培训和测试中,主题的浓度的目标对象是一个重要的因素——操作设备的能力。他们利用不同的算法如LDA和模糊c均值。模糊c是一种自适应分类器,这可能是用于设备行为不是同步分类模型(7]。(7)因为它使得基于脑电图分类算法的评估脑-机接口:10年更新:本文的最新审查BCI分类技术;有一些算法探讨从不同的报纸,及其精度,优化,使用的特征提取方法相比,每个算法都有自己的优点和缺点。在这篇文章中,他们使用了与事件相关电位。他们使用特征提取方法是基于空间滤波最优化滤波器;它通过使用校准可以进一步优化8]。(8)序列非平稳动态分类稀疏反馈:在这个研究论文,基本上,他们已经讨论了技术的分类的非平稳、非线性信号。正如我们所知,BCI信号在本质上是不稳定的,稀疏的反馈可以用于大脑信号的稳定性和分类使用径向基函数RBF分类器。信号是非线性的方式获得,我们可以应用线性模型,但是,多级预测是不能被执行。这是因为所涉及的稀疏矩阵反馈(9]。(9)运动图像和直接脑-机通信:哥特Pfurtscheller和Neuper研究对汽车技术的虚拟信号的想象力的左手,右手,脚的动作。在neurofeedback方法中,大脑信号的实时预测是难以实现的。我们有非线性信号的输入neurofeedback方法,这样我们可以使用隐马尔科夫方法(嗯)实时预测精度是一个权衡10]。(10)对无监督适应LDA的脑-机接口。IEEE生物医学工程:萤火虫算法(FA)是一种有效的算法来选择最适当的子集的特性,帮助提高分类精度。使陷入困境的问题FA时出现局部最优,一个萤火虫算法相结合的过程和学习自动机(LA)提出了优化为运动图像脑电图特征选择。预期结果的高维特性集,结合常见的空间模式的过程(CSP)和当地characteristic-scale分解(LCD)算法。它是由使用光谱进一步分类回归判别分析(SRDA)分类器11]。

3所示。分类算法的比较

表2显示了分类算法的比较。

4所示。讨论

有一个大范围的分类器由世界各地的科学家和工程师。这些分类算法可以分为四组。

4.1。自适应分类器

列出自适应分类器的分类器的参数逐步重新计算并更新采购新的脑电图数据的非平稳信号,和自适应分类器能够跟随特性的变化分布。

(所10),一个模型motor-imagery-based自学BCI结构操作提出了一种机器人。早些时候他们使用一个基本的同步BCI,设计记录数据的离线训练分类之前进行在线自学过程。他们对数和频带能量作为特征提取,特征提取从脑电图信号。特征选择是手动,以获得质量频带。提取特征,选择频带数字bandpass-filtered,平方,平均在1秒滑动窗口,应用自然对数。利用特性和相关的标签,两个线性判别分析(LDA)分类器训练,和一个认识到左图像从右和其他隔离右影像运动发展。

功能与主题相关的控制大脑信号不断地提取和分类离线LDA算法。然后使用这些功能来控制机器人。他们用LDA算法的参数代替适应阈值和居住功能。主体的控制意图和时机是适应在线培训的基础。提出的方法继承信息用户的控制需要培训和适应可能显示的承诺改善精度和性能。摘要卡尔曼滤波器用于在线参数用LDA被分类。事件标签分配引入了慢学习过程(12]。

实现自适应分类器的优点之一是,他们可以使用监督和非监督。这意味着,即使没有真正的标签信息的数据,他们可以被执行。从多个研究,推断是无监督学习取得了更好的效果比静态分类器。

现在,大部分的BCI的真实世界的应用不存在类的标签,为此,无人监督的适应分类器需要更多的发展(7]。

4.2。矩阵和张量分类器

研究人员使用的方法在本文持有更少的阶段分类与经典的机器学习算法相比,他们也更简单。与其他标准的分类器相比,黎曼分类器不需要任何参数调谐技术,如交叉验证正确训练和验证的准确性产生模型,这使得它更健壮的和准确的所有由于其对数倾向。同样,社民党的天生的黎曼分离矩阵不变的反转矩阵和任何直接可逆变化的信息,例如,添加到任何外部干扰脑电图来源不会改变目睹了协方差矩阵之间的分离。这些属性部分澄清为什么黎曼分类技术给一个像样的猜测能力,授权分析师建立adjustment-free多功能ERP-BCIs利用基本subject-to-subject session-to-session交换学习方法(9]。

结果表明,几种方法实现了更高的性能比CSP + LDA运动图像脑电图数据的过程。最大的优势是质量性能。然而,这是一个在权衡性能和获得更多的重量,因为扩张输入特征维数升高使合适的正则化一个急需的步骤12]。

脑电图数据可以用张量的形式和被视为为脑电图数据分析工具脑电图数据分析工具包括特征提取、数据聚类和数据分类的BCI。脑电图数据在多个维度表示;这包括时间、空间频率和轨迹,因此,这些都是由张量的顺序。脑电图数据有时间频率和空间可以表示为三维张量。张量已经经常用于汽车想象分析即使包含不同类别的大量数据可以用张量和订单(10]。

4.3。转移学习和深度的学习

转移学习是一个重要的工具在session-to-session和subject-to-subject解码性能。如果转移学习足够完善,BCI系统的操作没有校准,这将彻底改变永远BCI系统。

可以看出校准会话是艰苦的主题和精神疲惫。从最早的解释说,接受输入起点的BCI系统承诺开始。

深度学习分为ML算法,特征和分类器是集体学习直接从脑电图数据。存在多个深度学习算法。的探索和常用的是深层神经网络(款)。款也可以执行在线缓慢皮层电位(SCP)和motion-onset视觉诱发电位(MVEP)并不常用。第一个研究和论文发表P300-based BCI Cicotte et al。两个卷积层构造其次是完全连接层。一个卷积层有学习空间过滤器和第二个目的是学习时间过滤器。该模型被证明比P300实验,但SVM模型有更多的准确性(2]。

深极端学习机用于减缓大脑皮层电位(SCP)分类。这种技术由多层组成,最后一个是内核榆树。然而,在这个项目中,单位数量、网络结构、hyperparameter和输入特性是不合理的。这并没有被证明是比多人榆树或标准榆树(4]。

4.4。各种各样的分类器

为了分类两个以上精神任务,两种主要的方法可以用来获得一个多级分类功能。第一种方法包括直接估计类中使用多级技术如决策树,多层感知器,朴素贝叶斯分类器,或k最近的邻居。第二种方法包括将问题分解为几个二元分类问题。

多级因此multilabel方法旨在识别超过两个命令。因此有必要仔细选择精神命令之间的映射和相应的标签。然而,错误可能在分类。特别是,估计标签集,有时,可能不符合任何类,和几类可能是相等的距离,从而导致类混乱(13]。

5。方法

这里有一些方法,探讨了研究论文在过去几年在脑机接口系统中,如表所示3。

6。结论

在这个工作过程中,出现的问题是否有可能创建一个大脑计算机接口是负担得起的,高的准确性和优化。评估不同的论文后,结论是,如果我们需要一个优化模型与高精度大脑信号的非侵入性技术,人工神经网络具有精度高,是最优的。然而,有一些权衡模型兼容大脑信号。从10年的BCI审查,我们获得安有反应,精度高;毕竟,它优化系统。然而,进一步的研究研究已经完成,使其更准确,因为这是用于医疗保健。

由于安允许快速的处理,一种指导期间可以提供培训,使一个用户来提高分类器的性能,让它更经常反映他/她的意图。本指南非常有用的三个主题。

同时,统计测试是检查是否执行,可以预期。因此,离线分类后,它产生了一个精度在90%以上。

发达所提供的控制系统已经足以得出结论,它提供了足够的控制,用户可以命令一个任意的计算机设备。同时,这显示容易训练。

在未来,该模型可以在多平台提供支持。这可以通过开发应用程序,可以帮助人类,使日常工作更容易。此外,该系统可以控制的智能手机可以覆盖脑电图耳机命令。这将作为自动防故障装置如果BCI系统经历任何故障。这种发展的基础上,更好的脑电图可以设计具有更高效率和更少依赖线下分类。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. a . b . Usakli”提高脑电图信号采集:一个电气方面先进的前端,”计算智能和神经科学文章ID 630649卷,2010年,p . 2010。视图:出版商的网站|谷歌学术搜索
2. s . i Alzahrani“P300波检测使用Emotiv Epoc +耳机:矩阵的影响大小,闪光持续时间,和颜色,”科罗拉多州立大学,柯林斯堡有限公司,美国,2016年,博士论文。视图:谷歌学术搜索
3. f . yg、m .承受和f .乐天”黎曼方法在脑-机接口:一个评论,”IEEE神经系统和康复工程,25卷,不。10日,1753 - 1762年,2016页。视图:出版商的网站|谷歌学术搜索
4. f .乐天l . Bougrain A Cichocki et al .,“因为它使得基于脑电图分类算法的评估脑-机接口:一个10年的更新,“《神经工程,15卷,不。第三条ID 031005, 2018。视图:出版商的网站|谷歌学术搜索
5. w·m . Li陈,t·张,“癫痫EEG信号的分类使用DWT-based包络分析和神经网络集成的,”生物医学信号处理和控制31卷,第365 - 357页,2017年。视图:出版商的网站|谷歌学术搜索
6. k . a . Liu陈、刘问:问:Ai, y谢,a·陈,“对汽车图像特征选择脑电图分类基于萤火虫算法和学习自动机,”传感器,17卷,不。11,2576年,页2017。视图:出版商的网站|谷歌学术搜索
7. d . g . Liu, j .孟黄g . x朱,“无监督改编的脑电图信号处理基于模糊c均值算法,”国际期刊的自适应控制和信号处理,26卷,不。6,482 - 495年,2012页。视图:出版商的网站|谷歌学术搜索
8. 答:安德列夫,a . Barachant f .乐天,m . Congedo娱乐的应用OpenViBE:大脑入侵者和动用武力美国纽约,威利在线图书馆,霍博肯,2016。
9. d . r . Lowne, s·j·罗伯茨和r·加内特“序列非平稳动态分类稀疏的反馈,模式识别,43卷,不。3、897 - 905年,2010页。视图:出版商的网站|谷歌学术搜索
10. g . Pfurtscheller和c . Neuper”运动图像,直接脑-机通信。”IEEE学报》,卷89,不。7,1123 - 1134年,2001页。视图:出版商的网站|谷歌学术搜索
11. a . Schlogl c . Vidaurre和k·r·穆勒,自适应方法在BCI研究入门教程。在脑-机接口施普林格,柏林,德国海德堡2009。
12. c . Vidaurre m . Kawanabe p·冯·Bunau Blankertz b,和k·r·穆勒”对无监督适应LDA的脑-机接口,“IEEE生物医学工程,卷。58岁的没有。3、587 - 597年,2010页。视图:出版商的网站|谷歌学术搜索
13. a·b·r·苏莱曼和t·a·h·Fatehi,EEG信号的特征提取构筑BCI的应用程序伊拉克摩苏尔,摩苏尔大学,2007。
14. 中情局Fouad和f·e·z . m . Labib”使用emotiv EPOC上神经头盔在脑机接口获取数据,”国际期刊,3卷,不。11日,第1017 - 1012页,2015年。视图:谷歌学术搜索
15. g .联合。Dornhege,对脑-机接口美国马剑桥,麻省理工学院出版社,2007年。

版权

版权©2020 Asif Mansoor等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。