《表2 基于互信息网络视觉想象抬腿和落腿动作网络属性特征t检验值》
有别于上述已有VI-BCI研究采用的功率谱[2,9,11]和频带[7-8]特征提取方法,本研究采用EEG互信息构建脑网络,计算脑网络属性和邻接矩阵作为特征来识别下肢运动视觉想象.脑网络特征已用于MI-BCI[25-30],取得一定的分类精度,但尚没有用于VI-BCI验证其有效性.本实验分别采用脑网络的属性特征、不同维度邻接矩阵空间特征和网络属性与邻接矩阵融合特征作为特征向量,利用SVM对抬腿和落腿动作的视觉想象诱发的EEG信号进行分类.从脑网络分析(图4)可以看出,脑功能连接主要发生在右前额,这应该是由于视觉想象和潜意识有关,并且是本能的行为,而本能和潜意识的行为主要激发右前额网络,所以在大脑右前额的连接比较多.比较表2的结果,基于相干和互信息构建脑网络在节点度、聚类系数和特征路径长度上存在较显著差异,在全局效率和局部效率存在的差异不大.比较图5的结果,图5中基于互信息构建脑网络提取节点度特征的分类精度最高(82.04%),局部效率作为特征向量的分类精度最低(62.24%),表明基于互信息构建脑网络提取的节点度可以作为识别下肢动作视觉想象的有效特征(分类精度可达82.04%),也表明在选择网络属性作为特征的时候需要寻找最优属性.
图表编号 | XD00192290600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.30 |
作者 | 李昭阳、龚安民、伏云发 |
绘制单位 | 昆明理工大学信息工程与自动化学院、昆明理工大学脑认知与脑机智能融合创新团队、中国人民武装警察部队工程大学信息工程学院、昆明理工大学信息工程与自动化学院、昆明理工大学脑认知与脑机智能融合创新团队、云南省计算机技术应用重点实验室 |
更多格式 | 高清、无水印(增值服务) |