An important challenge in developing a movement-related cortical potential (MRCP)-based brain-machine interface (BMI) is an accurate decoding of the user intention for real-world environments. However, the performance remains insufficient for real-time decoding owing to the endogenous signal characteristics compared to other BMI paradigms. This study aims to enhance the MRCP decoding performance from the perspective of preprocessing techniques (i.e., spectral filtering). To the best of our knowledge, existing MRCP studies have used spectral filters with a fixed frequency bandwidth for all subjects. Hence, we propose a subject-dependent and section-wise spectral filtering (SSSF) method that considers the subjects' individual MRCP characteristics for two different temporal sections. In this study, MRCP data were acquired under a powered exoskeleton environments in which the subjects conducted self-initiated walking. We evaluated our method using both our experimental data and a public dataset (BNCI Horizon 2020). The decoding performance using the SSSF was 0.86 (±0.09), and the performance on the public dataset was 0.73 (±0.06) across all subjects. The experimental results showed a statistically significant enhancement (p0.01) compared with the fixed frequency bands used in previous methods on both datasets. In addition, we presented successful decoding results from a pseudo-online analysis. Therefore, we demonstrated that the proposed SSSF method can involve more meaningful MRCP information than conventional methods.

中文翻译：

---

基于主题相关和分段明智的光谱滤波解码与运动相关的皮质电位。

开发基于运动相关皮层电位（MRCP）的脑机接口（BMI）的一个重要挑战是对真实环境中用户意图的准确解码。但是，由于与其他BMI范例相比具有内源性信号特征，因此对于实时解码而言，性能仍然不足。这项研究旨在从预处理技术（即频谱过滤）的角度提高MRCP解码性能。据我们所知，现有的MRCP研究已对所有受试者使用具有固定频率带宽的频谱滤波器。因此，我们提出了一种与受试者相关的分段频谱滤波（SSSF）方法，该方法考虑了两个不同时间段的受试者个体MRCP特征。在这个研究中，MRCP数据是在动力性外骨骼环境下采集的，受试者在该环境中进行了自发行走。我们使用实验数据和公共数据集（BNCI Horizo​​n 2020）评估了我们的方法。使用SSSF的解码性能为0.86（±0.09），在所有受试者上，公开数据集的性能均为0.73（±0.06）。实验结果表明，与两个数据集中以前方法中使用的固定频段相比，统计学上都有显着提高（p0.01）。此外，我们介绍了伪在线分析成功解码的结果。因此，我们证明了所提出的SSSF方法比常规方法可以包含更多有意义的MRCP信息。我们使用实验数据和公共数据集（BNCI Horizo​​n 2020）评估了我们的方法。使用SSSF的解码性能为0.86（±0.09），在所有受试者上，公开数据集的性能均为0.73（±0.06）。实验结果表明，与两个数据集中以前方法中使用的固定频段相比，统计学上都有显着提高（p0.01）。此外，我们介绍了伪在线分析成功解码的结果。因此，我们证明了所提出的SSSF方法比常规方法可以包含更多有意义的MRCP信息。我们使用实验数据和公共数据集（BNCI Horizo​​n 2020）评估了我们的方法。使用SSSF的解码性能为0.86（±0.09），在所有受试者上，公开数据集的性能均为0.73（±0.06）。实验结果表明，与两个数据集中以前方法中使用的固定频段相比，统计学上都有显着提高（p0.01）。此外，我们介绍了伪在线分析成功解码的结果。因此，我们证明了所提出的SSSF方法比常规方法可以包含更多有意义的MRCP信息。实验结果表明，与两个数据集中以前方法中使用的固定频段相比，统计学上都有显着提高（p0.01）。此外，我们介绍了伪在线分析成功解码的结果。因此，我们证明了所提出的SSSF方法比常规方法可以包含更多有意义的MRCP信息。实验结果表明，与两个数据集中以前方法中使用的固定频段相比，统计学上都有显着提高（p0.01）。此外，我们介绍了伪在线分析成功解码的结果。因此，我们证明了所提出的SSSF方法比常规方法可以包含更多有意义的MRCP信息。