.png){kind=icon}
返回
Functional Connectivity Graph–Driven Imagined Speech Decoding for Assistive EEG-Based BCIs
.png){kind=icon}
PRE
AI
DOI：10.1109/tim.2026.3714600.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
想象言语（IS）是指在没有明显发音的情况下内部生成单词的认知过程，并为严重神经损伤患者提供了一种有前景的通信途径。基于脑电图（EEG）的脑-计算机接口（BCI）系统能够自动解码IS；然而，由于EEG信号的非平稳性和复杂的通道间相互作用，EEG信号的可信测量和表示仍然具有挑战性。大多数现有方法独立处理EEG通道，忽略了与言语相关的神经动力学中至关重要的功能连接模式。为了解决这一局限性，本研究提出了一种基于传感器感知图信号处理（GSP）的框架，将多通道EEG测量建模为图结构数据，其中电极表示为感知节点，加权边编码功能关系。研究了三种图构建策略，即基于相关性的、基于高斯核的和基于Fundis的加权方法，以捕获传感器间的依赖关系。提取谱图小波变换（SGWT）特征，以联合表征空间连接性、图谱信息和多图尺度上的局部EEG信号变化，随后进行统计池化以提高稳定性。所提出的框架在一个包含四个类别的公开EEG数据集上进行评估。基于Fundis的SGWT方法在长词、短-长词、短词和元音类别上分别实现了 $99.57{\,}\% {\,}\pm {\,}0.11{\,}\%$ 、 $99.60{\,}\% {\,}\pm {\,}0.15{\,}\%$ 、 $99.45{\,}\% {\,}\pm {\,}0.26{\,}\%$ 和 $99.45{\,}\% {\,}\pm {\,}0.20{\,}\%$ 的分类准确率，同时保持计算效率，仅使用0.074百万参数、2.88毫秒推理延迟和4.35 MB的紧凑模型大小。这些结果证明了基于图的EEG建模对于实时、低功耗可穿戴BCI系统的有效性。
Keyword:
Automatic imagined speech recognition (AISR)
brain–computer interface (BCI)
graph signal processing (GSP)
graph structure
machine learning (ML)
multichannel electroencephalogram (MC-EEG)
期刊
IF:
5.9
论文数:
2.0W
被引数:
5.8W
机构
引用论文
分享收藏Hybrid convolution (1D/2D)-based adaptive and attention-aided residual DenseNet approach on brain-computer interface for automatic imagined speech recognition framework基于混合卷积（1D/2D）的自适应和注意力辅助残差DenseNet方法，用于脑机接口自动想象语音识别框架
PREAI
分享收藏Graph Signal Processing, Graph Neural Network and Graph Learning on Biological Data: A Systematic Review图信号处理、图神经网络与生物数据图学习的系统综述
PREAI
分享收藏Graph Signal Processing: Overview, Challenges, and Applications图信号处理: 概述、挑战与应用.png)
PROCEEDINGS OF THE IEEE
OAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏Evaluation of Hyperparameter Optimization in Machine and Deep Learning Methods for Decoding Imagined Speech EEG用于解码想象语音EEG的机器和深度学习方法中的超参数优化评估SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容