Resumen

La interacción cerebro-ordenador basada en imágenes motoras (MI) es una importante interfaz cerebro-ordenador (BCI). La mayoría de los métodos de clasificación de la IM se basan en el electroencefalograma (EEG), y pocos estudios han investigado el procesamiento de señales basado en la espectroscopia de infrarrojo cercano funcional de la IM (fNIRS). Además, es necesario mejorar la precisión de clasificación de los métodos de MI fNIRS. En este estudio, se utilizó una red de creencia profunda (DBN) basada en una máquina de Boltzmann restringida (RBM) para clasificar señales fNIRS de imágenes de flexión y extensión de los brazos izquierdo y derecho. Se registraron señales fNIRS de 16 canales que cubrían el área de la corteza motora para cada uno de los 10 sujetos que ejecutaban o imaginaban flexión y extensión de los brazos izquierdo y derecho. La concentración de hemoglobina oxigenada (HbO) se utilizó como característica para entrenar dos RBM que posteriormente se apilaron con una capa de salida de regresión softmax adicional para construir DBN. También exploramos la precisión de clasificación del modelo DBN para el conjunto de datos de prueba de un sujeto utilizando el conjunto de datos de entrenamiento de otros sujetos. La precisión media de clasificación de la DBN para los movimientos de flexión y extensión y las imágenes de los brazos izquierdo y derecho fue de 84,35 ± 3,86 y 78,19 ± 3,73%, respectivamente. Para un modelo DBN dado, se obtienen mejores resultados de clasificación para los conjuntos de datos de prueba de un sujeto determinado cuando el modelo se entrena utilizando conjuntos de datos del mismo sujeto que cuando el modelo se entrena utilizando conjuntos de datos de otros sujetos. Los resultados muestran que el algoritmo DBN puede identificar eficazmente las imágenes de flexión y extensión de los brazos derecho e izquierdo utilizando fNIRS. Se espera que este estudio sirva de referencia para construir sistemas MI-BCI en línea basados en DBN y fNIRS.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:brazos derechos, flexión, DBN, MI, imágenes de extensión, otros sujetos, precisión de clasificación del modelo DBN, capa de salida de regresión softmax adicional, precisión media de clasificación DBN, mejores resultados de clasificación
• Keywords:right arms, flexion, DBN, MI, extension imagery, other subjects, DBN model classification accuracy, additional softmax regression output layer, average DBN classification accuracy, better classification results