脑机交互：中科院刘燕等人提出高精度、鲁棒信号解码算法

对多任务运动想象脑电图(EEG)信号进行有效分类是一种解码大脑运动意图的方法，有助于实现准确高效的多维脑机交互。然而，由于脑电信号空间分辨率低、被试脑电信号差异较大等固有局限性，传统解码方法的准确性和鲁棒性在实际应用中有待进一步提高。

中国科学院苏州生物医学工程技术研究所戴亚康课题组副研究员刘燕等人现在提出了一种具有自定义特征的跨空间卷积神经网络(CS-CNN)方法。

刘说:“这使得高精度和鲁棒的多任务运动想象脑电图信号解码算法成为可能。”

CS-CNN算法流程图。(图片来源:SIBET)

CS-CNN融合了测量空间的全局函数表示和源空间的高分辨率脑源激活信息，提供多层次的特征。

同时，对自定义的节律和感兴趣的大脑区域进行筛选，实现个性化频率-空间有价值信息的差异化提取，从而为每个主体构建最佳分类模型，整体提高解码算法的准确性和鲁棒性。

通过自适应频谱感知和公共空间模式实现自定义频率全局空间特征描述。然后通过脑电源成像(EEG source imaging, ESI)将脑电信号反转到高分辨率源空间，提取高激活态偶极子的时间序列关系，完成定制化的时间-高分辨率空间域特征描述。

所提出的CNN架构图

刘燕及其团队从不同空间提取反映不同层次信息的两组特征矩阵，通过卷积神经网络进行拼接，构建跨空间的全局高分辨率自定义融合特征表示，最终实现高精度、强鲁棒性的四类分类。

验证表明，所提出的基于自测数据集和公共数据集的跨空间解码方法的准确率分别为96.05%和90.37%，个体间准确率范围误差为3.79%和3.90%。

刘燕说道:“与基于相同公共数据集的其他最先进的算法相比，分类精度和个体间差异等几个指标都达到了最好的性能。”

她表示，所提出的基于自定义特征表示的跨空间方法可以有效解码多任务运动想象脑电信息，为构建多指令集、高精度、鲁棒的脑机接口系统提供可靠的算法基础。

参考资料：

https://ieeexplore.ieee.org/document/10058109

https://www.miragenews.com/new-algorithm-promises-high-precision-brain-966957/

—— End ——

仅用于学术分享，若侵权请留言，即时删侵！