Chinese Journal of Lasers, Volume. 51, Issue 15, 1507301(2024)
Applied Research of fNIRS‐BCI for Motion Decision Recognition
Figures & Tables(10)
Fig. 1. Wearable fNIRS system. (a) Diagram of experimental scene; (b) diagram of channel layout
Fig. 5. Schematic diagram of optimized feature selection. (a) Curves of the number of features selected; (b) results of feature selection
Fig. 6. Analysis of model performance. (a) Interactive online brain-computer interface; (b) ROC; (c) accuracy rate test of BCI system
Fig. 7. Distribution of significant features of LHG and RHG in different channels. (a) Channel 4; (b)(c) channel 6
Table 1. Performance of classifier before and after feature selection in motion binary classification optimization
View tableTable 1. Performance of classifier before and after feature selection in motion binary classification optimization
Perform task Statistical preference feature All time domain feature A /% P /% R /% F1 /% A /% P /% R /% F1 /% R-LHG （subject 1） 0.89 0.91 0.87 0.89 0.88 0.88 0.87 0.87 R-RHG （subject 1） 0.87 0.94 0.79 0.86 0.87 0.94 0.79 0.86 R-LFT （subject 1） 0.93 0.98 0.88 0.93 0.90 0.93 0.86 0.89 R-RFT （subject 1） 0.97 0.98 0.96 0.97 0.88 0.93 0.81 0.87 HG-FT （subject 1） 0.83 0.81 0.86 0.83 0.82 0.81 0.82 0.81 LHG-RHG （subject 1） 0.63 0.66 0.65 0.65 0.54 0.75 0.12 0.21 LFT-RFT （subject 1） 0.55 0.55 0.55 0.55 0.49 0.49 0.47 0.48 R-LHG （subject 2） 0.91 0.91 0.90 0.90 0.83 0.87 0.76 0.81 R-RHG （subject 2） 0.86 0.85 0.88 0.86 0.82 0.81 0.82 0.81 R-LFT （subject 2） 0.84 0.82 0.87 0.84 0.73 0.73 0.74 0.73 R-RFT （subject 2） 0.86 0.86 0.85 0.85 0.76 0.76 0.76 0.76 HG-FT （subject 2） 0.96 0.96 0.96 0.96 0.92 0.93 0.90 0.91 LHG-RHG （subject 2） 0.64 0.64 0.64 0.64 0.59 0.59 0.60 0.59 LFT-RFT （subject 2） 0.60 0.58 0.62 0.60 0.54 0.55 0.51 0.53 R-LHG （subject 3） 0.86 0.91 0.79 0.85 0.82 0.86 0.75 0.80 R-RHG （subject 3） 0.86 0.87 0.81 0.84 0.86 0.87 0.83 0.85 R-LFT （subject 3） 0.93 0.91 0.95 0.93 0.88 0.90 0.84 0.87 R-RFT （subject 3） 0.93 0.96 0.89 0.92 0.86 0.86 0.86 0.86 HG-FT （subject 3） 0.95 0.94 0.96 0.95 0.90 0.93 0.85 0.89 LHG-RHG （subject 3） 0.63 0.65 0.56 0.60 0.56 0.57 0.52 0.54 LFT-RFT （subject 3） 0.64 0.75 0.57 0.65 0.62 0.61 0.63 0.62 R-LHG （all） 0.71 0.72 0.70 0.71 0.69 0.70 0.69 0.698 R-RHG （all） 0.74 0.74 0.73 0.73 0.71 0.73 0.66 0.69 R-LFT （all） 0.79 0.81 0.76 0.78 0.70 0.70 0.70 0.70 R-RFT （all） 0.76 0.80 0.70 0.75 0.74 0.74 0.74 0.74 HG-FT （all） 0.73 0.73 0.74 0.73 0.79 0.79 0.79 0.79 LHG-RHG （all） 0.55 0.55 0.56 0.55 0.51 0.51 0.71 0.59 LFT-RFT （all） 0.55 0.55 0.52 0.53 0.56 0.55 0.57 0.56
Table 2. Performance of classifier before and after feature selection in motion three-classification optimization
View tableTable 2. Performance of classifier before and after feature selection in motion three-classification optimization
R-HG-FT Statistical preference feature All time domain feature A /% P /% R /% F1 /% A /% P /% R /% F1 /% Subject 1 0.78 0.80 （rest）
0.87 （task1）
0.68 （task2）
0.85 （rest）
0.76 （task1）
0.73 （task2）
0.82 （rest）
0.81 （task1）
0.70 （task2）
0.75 0.84 （rest）
0.80 （task1）
0.65 （task2）
0.79 （rest）
0.74 （task1）
0.73 （task2）
0.81 （rest）
0.77 （task1）
0.69 （task2）
Subject 2 0.77 0.80 （rest）
0.84 （task1）
0.69 （task2）
0.87 （rest）
0.77 （task1）
0.68 （task2）
0.83 （rest）
0.80 （task1）
0.68 （task2）
0.73 0.82 （rest）
0.74 （task1）
0.64 （task2）
0.84 （rest）
0.67 （task1）
0.69 （task2）
0.83 （rest）
0.70 （task1）
0.66 （task2）
Subject 3 0.88 0.93 （rest）
0.91 （task1）
0.82 （task2）
0.85 （rest）
0.89 （task1）
0.91 （task2）
0.89 （rest）
0.90 （task1）
0.86 （task2）
0.80 0.75 （rest）
0.89 （task1）
0.77 （task2）
0.79 （rest）
0.81 （task1）
0.79 （task2）
0.77 （rest）
0.85 （task1）
0.78 （task2）
Table 3. Degree of improvement of model accuracy by T-test method and statistical optimization method
View tableTable 3. Degree of improvement of model accuracy by T-test method and statistical optimization method
Method Subject 1 Subject 2 Subject 3 T-test 0.0255±0.0025 0.0193±0.0019 -0.0384±0.0032 Statistical optimization 0.0669 ±0.0020 0.0730 ±0.0097 0.0483 ±0.0089
Tools
Get Citation
Copy Citation Text
Zhuanping Qin, Xinlin Liu, Guangda Lu, Wei Zhang, Dongyuan Liu, Feng Gao. Applied Research of fNIRS‐BCI for Motion Decision Recognition[J]. Chinese Journal of Lasers, 2024, 51(15): 1507301
Paper Information
Category: Neurophotonics and Optical Regulation
Received: Mar. 4, 2024
Accepted: Apr. 23, 2024
Published Online: Jul. 24, 2024
The Author Email: Liu Dongyuan (liudongyuan@tju.edu.cn)
CSTR:32183.14.CJL240649
© Copyright 2018-2021 | Chinese Laser Press.
All Rights Reserved 沪ICP备15018463号-20