Toward a model-based predictive controller design in brain-computer interfaces.
Toward a model-based predictive controller design in brain-computer interfaces.
复制标题
DOI：
10.1007/s10439-011-0248-y
复制
发表时间：
2011-05
影响因子：
3.8
通讯作者：
Schiff, S. J.
中科院分区：
文献类型：
--
作者：
Kamrunnahar, M.;Dias, N. S.;Schiff, S. J.
本文提出了用于脑-机接口(BCI)应用的稳健和最优模型预测控制器(MPC)设计的第一步。与当前特别的、非基于模型的滤波应用所获得的性能相比，MPC具有实现更好的BCI性能的潜力。从运动想象任务相关的人类头皮脑电中提取控制器设计参数作为基于模型的特征。虽然参数可以从任何模型产生--线性的或非线性的，但我们在这里采用了一个简单的自回归模型，该模型在脑-机接口任务识别中有很好的应用。结果表明，所设计的控制器参数同样可以用于运动想象任务的识别，其性能(任务识别误差为8%~23%)可与频率比频带功率和直接使用的AR模型参数等常用特征的识别性能相当。最优的MPC对于高性能的脑机接口应用具有重要的意义。
A first step in designing a robust and optimal model-based predictive controller (MPC) for brain–computer interface (BCI) applications is presented in this article. An MPC has the potential to achieve improved BCI performance compared to the performance achieved by current ad hoc, nonmodel-based filter applications. The parameters in designing the controller were extracted as model-based features from motor imagery task-related human scalp electroencephalography. Although the parameters can be generated from any model-linear or non-linear, we here adopted a simple autoregressive model that has well-established applications in BCI task discriminations. It was shown that the parameters generated for the controller design can as well be used for motor imagery task discriminations with performance (with 8–23% task discrimination errors) comparable to the discrimination performance of the commonly used features such as frequency specific band powers and the AR model parameters directly used. An optimal MPC has significant implications for high performance BCI applications.
登录
查看更多内容
影响因子：
1.9
作者：
Ding, MZ;Bressler, SL;Liang, HL
通讯作者：
Liang, HL
DOI：
10.1109/tnsre.2004.834627
发表时间：
2004-09-01
影响因子：
4.9
作者：
Fabiani, GE;McFarland, DJ;Pfurtscheller, G
通讯作者：
Pfurtscheller, G
影响因子：
6.8
作者：
AKAIKE, H
通讯作者：
AKAIKE, H
影响因子：
4.8
作者：
Burges, CJC
通讯作者：
Burges, CJC
影响因子：
4
作者：
Bai, Ou;Lin, Peter;Hallett, Mark
通讯作者：
Hallett, Mark