Classification de potentiels évoqués P300 par géométrie riemannienne pour les interfaces cerveau-machine EEG
Abstract
Cet article présente une nouvelle méthode de classification pour les potentiels évoqués dans le cadre des interfaces cerveau machine (ICMs) EEG. À travers une estimation spécifique des matrices de covariance, ce travail étend l'utilisation de la géométrie Riemannienne, jusqu'alors limitée aux ICMs fondées sur l'imagination motrice, à la classification des potentiel évoqués. En comparaison aux méthodes de l'état de l'art, la méthode présentée offre une augmentation des performances tout en diminuant le nombre de données de nécessaire à la calibration du classifieur et en offrant une meilleure généralisation entre les sessions d'enregistrement.
Fichier principal
Barachant_gretsi_final.pdf (241.24 Ko)
Télécharger le fichier
Barachant_Gretsi13.pdf (1.19 Mo)
Télécharger le fichier
Origin : Files produced by the author(s)
Format : Other