Hybrides SSVEP + P300 Gehirn-Computer-Schnittstelle kann mit nicht-stationären zerebralen Antworten umgehen durch den Einsatz adaptiver Klassifikation

Die Nichtstationarität von Elektroenzephalogrammen (EEG) hat einen wesentlichen Einfluss auf die Leistung von Klassifikatoren in Gehirn-Computer-Schnittstellensystemen (BCI). Um diese Herausforderung zu bewältigen, wurde eine anpassbare Version des linearen Diskriminanzanalyse (LDA) Klassifikators vorgeschlagen. Genauigkeit ist entscheidend, wenn BCIs für neurorestaurative Aufgaben oder zur Verbesserung des Gedächtnisses verwendet werden. Das präzise Verständnis der Gehirnantworten erleichtert gezielte Interventionen, die die neurorestaurativen Ergebnisse verbessern können. BCIs, die mit adaptiven Klassifikatoren ausgestattet sind, sind nützlich, um Therapien an individuelle Bedürfnisse anzupassen und die neurorestaurativen Prozesse zu verbessern. Bemerkenswerterweise inspirieren neurorestaurative Interventionen, die konsistente, genaue und zuverlässige Ergebnisse liefern, eher Vertrauen und erzeugen Zufriedenheit bei den Nutzern. Der vorgeschlagene Klassifikator passte seine Parameter kontinuierlich an die EEG-Signale an. Die Kovarianzmatrix und die Mittelwerte für jedes Klassenpaar waren die aktualisierten Parameter. Der vorgeschlagene Klassifikator änderte die Modellparameter, indem er die aktuellen Signaldaten über die ältere Signaldatenhistorie priorisierte. Der vorgeschlagene Klassifikator wurde mit einem hybriden SSVEP + P300 BCI-System getestet. Der vorgeschlagene Klassifikator hatte eine geschätzte Klassifikationsgenauigkeit von 97,4 % und war effektiver als die gepoolte Durchschnitts-LDA und konventionelle Multiklassen-LDA-Klassifikatoren. Eine erhöhte Klassifikationsgenauigkeit könnte die Reaktionsfähigkeit neurorestaurativer Interventionen erhöhen und die Nützlichkeit von BCIs in der Neurorestaurierung steigern.