リハビリテーション用の3D CNNとLSTMを用いたモーターイメージングEEG分類方法

科学分野:

• 神経科学
• 機械学習
• 生物医学工学

背景:

• 電気脳図 (EEG) を用いた現在の脳コンピュータインターフェース (BCI) は,分類の正確性と堅牢性の制限により課題に直面しています.
• 正確で堅固なEEG分類は,運動画像 (MI) ベースのBCIの進歩に不可欠です.

研究 の 目的:

• 3D CNNとLSTM for Motor Imagery (3D-CLMI) という新しいEEG分類方法を開発し,評価し,MIタスクの精度と堅実性を向上させる.
• 最先端の技術と比較して提案されたメソッドの性能を検証し,実用的なリハビリテーション環境におけるその可能性を評価する.

主な方法:

• 3Dコンボリューションニューラルネットワーク (CNN) と長期短期記憶 (LSTM) と注意力メカニズムを組み合わせた3D-CLMI方法が提案されています.
• 複数のチャネルから 3D 特徴に統合された MI-EEG 信号で,複数のスケールの 3D コンボリューション カーネルを使用して空間的特徴を抽出します.
• 空間と時間の特徴を独立に抽出するために並列構造を使用し,分類のためにそれらを組み合わせました.

主要な成果:

• BCIコンペティションIV 2aデータセットで92.7%の分類精度と0.91のF1スコアを達成し,既存の方法を上回りました.
• 4つのクラスMIのタスクを実行する12人の参加者から新たに収集されたデータセットで優れた分類精度とF1スコアを示した.
• 3D-CLMIメソッド内の個々のコンポーネントの有効性を確認した.

結論:

• 3D-CLMIメソッドはMI-EEG信号分類の精度と信頼性を大幅に改善します.
• 提案された方法は,手動機能が低下した患者のためのVRベースのリハビリテーションシステムを含む,実践的なBCIアプリケーションに希望を示しています.