中文标题#
一種結合信道方法解碼顱內 EEG 信號：通過空間信息整合提高準確性
英文标题#
A Combined Channel Approach for Decoding Intracranial EEG Signals: Enhancing Accuracy through Spatial Information Integration
中文摘要#
顱內腦電圖（iEEG）記錄具有高空間和時間分辨率以及優越的信噪比（SNR），使開發用於神經解碼的精確腦機接口（BCI）系統成為可能。 然而，該過程的侵入性顯著限制了 iEEG 數據集在參與人數和記錄會話時長方面的可用性。 為解決這一限制，我們提出了一種針對 iEEG 信號解碼優化的單參與者機器學習模型。 該模型採用 18 個關鍵特徵，並在兩種模式下運行：最佳通道模式和組合通道模式。 組合通道模式整合了多個腦區的空間信息，從而實現了更優的分類性能。 在三個數據集 —— 音樂重建、視聽和 AJILE12—— 上的評估表明，組合通道模式在所有分類器上始終優於最佳通道模式。 在表現最佳的情況下，隨機森林在音樂重建數據集中獲得了 0.81 +/- 0.05 的 F1 分數，在視聽數據集中獲得了 0.82 +/- 0.10 的 F1 分數，而 XGBoost 在 AJILE12 數據集中獲得了 0.84 +/- 0.08 的 F1 分數。 此外，對組合通道模式中腦區貢獻的分析表明，該模型識別出與每個任務的生理預期一致的相關腦區，並有效結合這些區域中的電極數據以實現高性能。 這些發現突顯了整合跨腦區空間信息以提高任務解碼的潛力，為推進 BCI 系統和神經技術應用提供了新途徑。
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#
抖音掃碼查看更多精彩內容