Сравнение эффективности декодирования одноканальной ЭЭГ в задачах воображаемой речи

Технология декодирования воображаемой речи на основе электроэнцефалографии (ЭЭГ) предоставляет коммуникационное решение для пациентов с нарушениями речи. Однако результаты существующих исследований систем для английского языка нельзя напрямую применять к китайскому языку из-за существенных лингвистических различий. Многоканальные ЭЭГ-системы характеризуются сложностью аппаратного обеспечения и вычислительными задержками. Целью настоящего исследования была разработка системы декодирования воображаемой речи на китайском языке с использованием одного канала ЭЭГ, а также изучение лежащих в основе нейронных механизмов для содействия созданию недорогих реабилитационных устройств. ЭЭГ-сигналы регистрировали у четырех китайских участников, которые мысленно представляли пять различных китайских иероглифов. Была предложена модель SGLCNN, которую сравнивали с VGG16, EEGNet и методами машинного обучения. В экспериментах оценивали эффективность 20 одноканальных время–частотных представлений и сравнивали их точность с точностью традиционных методов. Каналы CP5 и C3 продемонстрировали наивысшую точность классификации — 74,33% и 73% соответственно. Модель SGLCNN превзошла EEGNet и VGG16 при декодировании задач бинарной классификации китайских иероглифов. При использовании тех же моделей одноканальные сигналы повысили точность классификации на 0,67% для SGLCNN и на 2,75% для EEGNet по сравнению с полноканальными сигналами головного мозга. Это первое исследование, в котором воображаемая китайская речь декодируется с помощью одноканальной ЭЭГ и оценивается эффективность 20 каналов для этой задачи. Система SGLCNN сохраняет эффективность декодирования при снижении требований к аппаратному обеспечению. Выявление доминирующих каналов CP5 и C3 помогает определить расположение электродов в клинических условиях и ускоряет внедрение интерфейсов мозг–компьютер (BCI) в клиническую практику.