日本語タイトル#
チャンネル統合アプローチによる頭蓋内 EEG 信号のデコード：空間情報統合による精度向上
英文タイトル#
A Combined Channel Approach for Decoding Intracranial EEG Signals: Enhancing Accuracy through Spatial Information Integration
日本語摘要#
頭蓋内脳波（iEEG）記録は、高い空間的および時間的解像度と優れた信号対雑音比（SNR）を特徴としており、神経デコーディングのための精密な脳 - コンピュータインターフェース（BCI）システムの開発を可能にします。しかし、この手続きの侵襲的な性質は、参加者数と記録セッションの期間の両方において iEEG データセットの可用性を大幅に制限します。この制限に対処するために、iEEG 信号のデコードに最適化された単一参加者の機械学習モデルを提案します。このモデルは 18 の重要な特徴を使用し、最適チャンネルモードと組み合わせチャンネルモードの 2 つのモードで動作します。組み合わせチャンネルモードは、複数の脳領域からの空間情報を統合し、優れた分類性能を実現します。音楽再構成、視聴覚、AJILE12 の 3 つのデータセットにわたる評価は、組み合わせチャンネルモードがすべての分類器において常に最適チャンネルモードを上回ることを示しています。最も良いパフォーマンスを示した場合、ランダムフォレストは音楽再構成データセットで 0.81 +/- 0.05 の F1 スコアを、視聴覚データセットで 0.82 +/- 0.10 の F1 スコアを達成し、XGBoost は AJILE12 データセットで 0.84 +/- 0.08 の F1 スコアを達成しました。さらに、組み合わせチャンネルモードにおける脳領域の寄与の分析は、モデルが各タスクに対する生理的期待に一致する関連する脳領域を特定し、これらの領域の電極データを効果的に統合して高いパフォーマンスを達成することを示しました。これらの発見は、タスクデコーディングを改善するために脳領域間の空間情報を統合する可能性を強調し、BCI システムと神経技術の応用を進展させる新たな道を提供します。
英文摘要#
Intracranial EEG (iEEG) recording, characterized by high spatial and temporal resolution and superior signal-to-noise ratio (SNR), enables the development of precise brain-computer interface (BCI) systems for neural decoding. However, the invasive nature of the procedure significantly limits the availability of iEEG datasets in terms of both the number of participants and the duration of recorded sessions. To address this limitation, we propose a single-participant machine learning model optimized for decoding iEEG signals. The model employs 18 key features and operates in two modes: best channel and combined channel. The combined channel mode integrates spatial information from multiple brain regions, leading to superior classification performance. Evaluations across three datasets -- Music Reconstruction, Audio Visual, and AJILE12 -- demonstrate that the combined channel mode consistently outperforms the best channel mode across all classifiers. In the best-performing cases, Random Forest achieved an F1 score of 0.81 +/- 0.05 in the Music Reconstruction dataset and 0.82 +/- 0.10 in the Audio Visual dataset, while XGBoost achieved an F1 score of 0.84 +/- 0.08 in the AJILE12 dataset. Furthermore, the analysis of brain region contributions in the combined channel mode revealed that the model identifies relevant brain regions aligned with physiological expectations for each task and effectively combines data from electrodes in these regions to achieve high performance. These findings highlight the potential of integrating spatial information across brain regions to improve task decoding, offering new avenues for advancing BCI systems and neurotechnological applications.
PDF 获取#
抖音扫码查看更多精彩内容