01

研究背景

此文旨在腦機接口（BCI）方向上嘗試新的分析方法。在導引中宣稱小波（Wavelet）分析方法還沒有被用來分析NIRS平臺下的運動想象BCI范式上。小波分析可以看作是對傅里葉分析的改良，基本思想是利用非全局性的小波函數(shù)擬合信號（一維二維均可）。此文利用小波分析來解析信號以判斷運動想象和靜息態(tài)，分類器使用支持向量機（SVM），二分類正確率為0.83（PS:有點低）。
 

02

研究方法
 

2.1、被試

被試共五人，年齡在24-34之間，性別不詳。
 

2.2、設備配置

設備使用8導ISS Imagent，包含兩個探測器和8個光源。電極配置如下圖，使用10-20系統(tǒng)。光源波長為690nm和830nm兩種模式，一個光源采樣頻率為6.25Hz。

2.3、實驗流程
 

流程如圖，被試根據(jù)箭頭執(zhí)行相應手的運動想象，想象動作為抓取。一個trial做10次運動想象，持續(xù)15s；休息10次，持續(xù)60s。整體實驗開始前測量60s的靜息態(tài)。
 

2.4、分析方法

對測量的原始數(shù)據(jù)，即不同波長光源的衰減程度，做小波變換。小波函數(shù)及參數(shù)如下

分解出來的細節(jié)系數(shù)和近似系數(shù)當作特征丟入SVM。SVM評價采用留一法做交叉驗證，SVM的核函數(shù)是線性核函數(shù)。
 

03

研究結(jié)論

此文使用小波分析來提取NIRS的特征進而判別二分類的運動想象任務，宣稱可以有效提取不同任務的特征，最高正確率能到0.85左右。

Motor Imagery Detection with Wavelet Analysis for NIRS-based BCI. Bonkon Koo et al. Brain Imagin Device.無DOI