ZUSAMMENFASSUNG Mit dem Fortschritt bei Gehirn-Computer-Schnittstellen (BCI) kann die Dekodierung von motorischer Vorstellung (MI) im Elektroenzephalogramm (EEG) erheblich von räumlichen Filtermerkmalen profitieren, die aus Common Spatial Patterns (CSP) abgeleitet sind. Allerdings weisen CSP-basierte Merkmale oft eine hohe Redundanz und intersubjektive Variabilität auf. Diese Einschränkungen erschweren es Merkmalsauswahlmethoden, die auf sparsamen Lernverfahren basieren, den heterogenen Beitrag unterschiedlicher zeitlicher und räumlicher Komponenten effektiv auszubalancieren. Darüber hinaus neigen diese Modelle dazu, Merkmale mit größeren Koeffizienten zu priorisieren, wodurch potenziell intrinsisch wichtige Merkmale übersehen werden und die Qualität des ausgewählten Merkmalsuntersets beeinträchtigt wird. Um diese Probleme zu adressieren, schlagen wir eine Adaptive Sparse Group Lasso (ASGL) Methode für eine strukturierte Merkmalsauswahl vor, die darauf ausgelegt ist, diskriminative CSP-Merkmale zu verbessern und zugleich irrelevante Komponenten zu unterdrücken. Die vorgeschlagene Methode teilt EEG-Signale mit einem gleitenden Fenster in aufeinanderfolgende Segmente, wobei jedes als separate Merkmalsgruppe behandelt wird. Davon profitierend kann die Bedeutung von Merkmalen sowohl auf Gruppen- als auch auf Gruppen-Innerhalb-Ebene effektiv durch gegenseitige Information und Copula-Gegenseitige Information quantifiziert werden, wodurch adaptive Gewichte für selektive Bestrafung innerhalb des Modells zugewiesen werden. Diese Gewichtungsstrategie bewahrt wichtige Merkmale aus relevanten Zeitintervallen und Frequenzbändern. Das resultierende Optimierungsproblem wird effizient mittels des Alternierenden Richtungsverfahrens der Mehrfachmultiplikatoren (ADMM) gelöst. Bewertungen an simulierten und realen Datensätzen zeigen, dass die vorgeschlagene ASGL-Methode bestehende Methoden übertrifft.
Wang et al. (Mittwoch,) untersuchten diese Fragestellung.