.png){kind=icon}
返回
Toward practical BCIs: a BMNABC-based feature selection and sensor optimization framework for implicit learning detection from multimodal EEG-fNIRS data
.png){kind=icon}
OA
AI
DOI：10.3389/fnhum.2026.1778884.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无意识学习是一种基本的认知过程，其识别对于理解人类认知和开发创新训练方法至关重要。我们提出了一种通用的特征选择和传感器优化框架，利用同步EEG和fNIRS来识别这些事件。我们的方法利用由二进制多邻域人工蜂群（BMNABC）算法驱动的两阶段优化过程。BMNABC利用模型的分类准确率来指导启发式搜索以寻找最具判别力的特征子集。首先，该框架使用归一化加权求和（NWS）指标从高维多模态数据中优先选择最优特征。其次，它实施递归后向消除机制以减少传感器数量，适用于实际的脑机接口（BCIs）应用。我们的结果表明，BMNABC框架成功识别了更优的特征集，显著提高了分类准确率，优于单独使用任一模态的效果。关键在于，所选特征提供了神经生理学验证，分离出前额叶皮层中的关键生物标志物。我们还证明，可以实现稀疏但高效的传感器配置，在保持高性能的同时减少多达66%的传感器数量。这项工作不仅为检测无意识学习提供了数据驱动的方法，还推进了更高效和用户友好的BCI系统的设计。
Keyword:
education neuroscience
electroencephalography
feature selection
functional near-infrared spectroscopy
implicit learning
multimodal neuroimaging
sensor optimization
期刊
IF:
2.7
论文数:
563
被引数:
2.9W
机构
引用论文
Multivariate Multi-Scale Permutation Entropy for Complexity Analysis of Alzheimer’s Disease EEG.png)
Entropy
OAAI
EntropyIF0
OAAI分享收藏Decoding spatial attention by using cortical currents estimated from electroencephalography with near-infrared spectroscopy prior informationNeuroImage
NeuroImageIF0
PREAI
分享收藏
查看更多内容