Details

В данном исследовании изучается новый подход к классификации задач движения пальцев с использованием Внутренней декомпозиции по временным масштабам (ITD) — адаптивной технологии обработки сигналов, подходящей для нестационарных сигналов, таких как электроэнцефалография (ЭЭГ). Цель заключалась в оценке эффективности признаков, полученных из Компонент Правильного Вращения (PRCs) ITD, по сравнению с признаками из необработанных сигналов ЭЭГ. Данные ЭЭГ от 8 участников, выполнявших пять задач воображаемого движения пальцев и одну задачу без движения, были разложены с помощью ITD. Признаки, включая мощность, среднее значение, энтропию выборки, моменты спектра высших порядков и параметры Хьорта, были извлечены из первых трёх PRCs и их комбинаций. Также изучалась потенциальная польза применения отбора признаков на основе анализа дисперсии (ANOVA). Были оценены четыре алгоритма машинного обучения (Линейный дискриминантный анализ, Наивный Байес, Метод к-ближайших соседей, Комбинированное обучение) с использованием схемы перекрёстной проверки в 5-кратной разбивке. Результаты показали, что признаки на основе ITD, особенно при их объединении (PRCs1-to-3) и доработке с помощью ANOVA, в целом превосходили признаки из исходных сигналов ЭЭГ, особенно для методов Комбинированного обучения и k-NN. Самая высокая зависимая от субъекта точность 55,00% была достигнута при использовании Комбинированного обучения с признаками, отобранными по ANOVA, из объединённых первых трёх PRCs. Эти результаты свидетельствуют о том, что ITD является ценным инструментом для извлечения дискриминативной информации из сигналов ЭЭГ, повышая эффективность ИМК-систем для приложений, связанных с тонкой моторикой, таких как управление протезами рук и нейрореабилитация.

This study explores a new approach to the classification of finger movement (FM) tasks using Intrinsic Time-scale Decomposition (ITD)—an adaptive signal processing technique suitable for non-stationary signals such as EEG. The objective was to evaluate the effectiveness of features extracted from the Proper Rotation Components (PRCs) of ITD in comparison with features derived from raw EEG signals. EEG data from 8 participants performing five imagined finger movement tasks and one resting task were decomposed using ITD. Features including power, mean value, sample entropy, higher-order spectral moments, and Hjorth parameters were extracted from the first three PRCs and their combinations. The potential benefits of feature selection based on Analysis of Variance (ANOVA) were also examined. Four machine learning algorithms were evaluated (Linear Discriminant Analysis, Naive Bayes, k-Nearest Neighbors, Ensemble Learning) using a 5-fold cross-validation scheme. The results showed that ITD-based features, especially when combined (PRCs1-to-3) and refined through ANOVA, generally outperformed features derived from raw EEG signals, particularly for Ensemble Learning and k-NN methods. The highest subject-dependent accuracy of 55.00% was achieved using Ensemble Learning with ANOVA-selected features from the combined first three PRCs. These findings suggest that ITD is a valuable tool for extracting discriminative information from EEG signals, enhancing the effectiveness of BCI systems for applications involving fine motor control, such as prosthetic hand operation and neurorehabilitation.

• список аббревиатур, сокращений и обозначений
• Введение
• Глава 1. Обработка сигналов электроэнцефалограммы (ЭЭГ) с использованием моделей глубокого обучения
  • 1.1. Распознавание эмоций
  • 1.2. Применение глубокого обучения в задачах классификации ЭЭГ
  • 1.2.1. Моторное воображение
  • 1.2.2. Оценка умственной нагрузки
  • 1.2.3. Детекция эпилептических приступов
  • 1.2.4. Стадирование сна
  • 1.2.5. Детекция событийно-связанных потенциалов
  • 1.2.6. Классификация движений пальцев
  • 1.3. Выводы
• Глава 2. Методы
• 2.1. Сбор данных:
• 2.2. Внутренняя декомпозиция по временной шкале
• 2.3. Признаки ITD
• 2.4. Сокращение признаков с использованием статистической значимости (ANOVA)
• 2.5. Классификация
• 2.6. Выводы
• Глава 3. Результаты
• 3.1. Повторение экспериментальной установки
• 3.2. Производительность классификации
  • 3.2.1. Линейный дискриминантный анализ (LDA)
  • 3.2.2. Наивный байесовский классификатор
  • 3.2.3. Метод k-ближайших соседей (k-NN)
  • 3.2.4. Ансамблевое обучение
• 3.3. Обсуждение
• 3.4. Выводы
• Заключение
• Список использованных источников