AMANet: モーターイメージ分類のためのデータ拡張マルチスケール時間注意畳み込みネットワーク

科学分野:

• 神経科学
• 機械学習
• 生物医学工学

背景:

• 運動イメージ脳コンピューターインターフェイス（MI-BCI）は、神経可塑性の可能性を示していますが、限定的なデータと信号ノイズの課題に直面しています。
• MI-BCIにおける高いデコードパフォーマンスは、不十分な被験者固有のサンプルとEEG信号中のアーチファクトへの感受性によって妨げられています。

研究 の 目的:

• 運動イメージデコードを強化するための新しいディープラーニングネットワーク、AMANetを提案すること。
• MI-EEG信号処理における限定的なデータとノイズの課題に対処すること。
• 脳コンピューターインターフェイスの精度と堅牢性を向上させること。

主な方法:

• データ拡張（スライディングウィンドウ、CSP、線形スケーリング）、マルチスケール時間畳み込み、ECA注意、およびデプスワイズ分離可能畳み込みを組み込んだデータ拡張マルチスケール時間注意畳み込みネットワーク（AMANet）を開発しました。
• このネットワークは、空間的および時間的特徴抽出と適応的チャネル重みを統合して、堅牢なMI-EEG信号分類を実現します。
• 10倍クロスバリデーションをベンチマークデータセット（BCIコンペティションIVデータセット2aおよび2b）およびHigh-Gammaデータセットで採用しました。

主要な成果:

• AMANetは、BCIコンペティションIVデータセット2aおよび2bでそれぞれ84.06％および85.09％の分類精度を達成しました。
• High-Gammaデータセットでは、AMANetは95.48％の分類精度を達成しました。
• 提案されたAMANetは、Incep-EEGNetなどのベースラインモデルを大幅に上回りました。

結論:

• AMANetは、運動イメージデコードタスクにおいて優れたパフォーマンスを示し、既存のMI-BCI手法の限界を効果的に克服します。
• このネットワークのアーキテクチャは、複雑なEEG特徴の堅牢な抽出と分類を容易にし、より信頼性の高いBCIへの道を開きます。
• この研究は、脳コンピューターインターフェイス技術を進歩させるための高度なディープラーニング技術の可能性を強調しています。