使用深度学习方法对原始BCI用户进行EEG运动图像分类.
Cristian D Guerrero-Mendez1, Cristian F Blanco-Diaz1, Andres F Ruiz-Olaya2
1Postgraduate Program in Electrical Engineering, Federal University of Espírito Santo (UFES), Vitória, Brazil.
Biomedical physics & engineering express
|June 15, 2023
概括
深度学习方法显著提高了新用户的大脑计算机接口 (BCI) 的性能. 该LSTM-BiLSTM方法实现了80%的准确性,增强了机器人设备的BCI控制.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 运动图像 (MI) -脑计算机接口 (BCI) 文盲会影响用户的性能,原因包括疲劳和缺乏经验.
- 纯粹的BCI用户往往难以实现最佳的系统性能.
研究的目的:
- 调查三种深度学习 (DL) 方法在提高BCI性能方面对原始用户的有效性.
- 将DL方法与MI信号歧视的传统基线方法进行比较.
主要方法:
- 卷积神经网络 (CNN),长期短期记忆 (LSTM) /双向长期短期记忆 (BiLSTM) 和CNN-LSTM模型的实施.
- 对25名先验BCI用户的数据集进行了评估,以对上肢MI信号进行歧视.
- 与基线方法的比较:通用空间模式 (CSP),过器银行通用空间模式 (FBCSP) 和过器银行通用空间频谱模式 (FBCSSP).
主要成果:
- LSTM-BiLSTM方法表现出卓越的性能,平均准确度为80% (高达95%) 和信息传输速率 (ITR) 为10比特/分钟,时间窗口为1.5秒.
- 与基线方法相比,DL方法显示了显著的32%的性能增加 (p<0.05).
- 关键性能指标包括准确性,F-score,回忆,特异性,精度和ITR.
结论:
- 深度学习方法,特别是LSTM-BiLSTM,对于缺乏经验的用户来说,大大提高了BCI系统的性能.
- 这些发现表明,对于原始的BCI用户来说,机器人设备的可控性,可用性和可靠性增加了.
- 这项研究为更容易获得和更有效的BCI应用铺平了道路.
