基于EEG信号的二类和四类动作识别研究
Ying Chang1,2, Lan Wang1, Yunmin Zhao3
1College of Mechanical and Electrical Engineering, Harbin Engineering University, Harbin 150006, China.
Mathematical biosciences and engineering : MBE
|June 16, 2023
概括
这项研究引入了一种CNN-LSTM模型,用于识别脑电图 (EEG) 信号,通过脑电脑接口增强运动障碍康复. 该模型在分类两类和四类运动意图方面取得了卓越的准确性.
科学领域:
- 神经科学和生物医学工程
- 专注于脑计算机接口 (BCI) 和康复机器人技术.
背景情况:
- 运动障碍显著影响生活质量,推动对先进康复解决方案的需求.
- 电脑电图 (EEG) 信号分析对于开发诸如下肢康复机器人和外骨架等辅助技术至关重要.
- 精确的EEG信号识别对于神经康复中有效的人机交互至关重要.
研究的目的:
- 设计和评估一个卷积神经网络-长期短期记忆 (CNN-LSTM) 模型,用于对EEG信号进行分类.
- 调查模型在识别二类和四类动作意图方面的有效性.
- 分析时间频率特征和与事件相关的潜在 (ERP) 现象,包括ERD/ERS,以改进EEG信号处理.
主要方法:
- 大脑与计算机接口 (BCI) 实验方案的开发.
- 预处理EEG信号以提取相关特征.
- 实现混合CNN-LSTM神经网络用于EEG信号分类.
- 时间频率特征和与事件相关的同步/脱同步 (ERD/ERS) 模式的分析.
主要成果:
- 拟议的CNN-LSTM模型证明了对二进制和四类EEG信号的有效分类.
- 该模型与其他两个分类算法相比,实现了更高的平均精度和kappa系数.
- 分析显示了重要的ERD/ERS特征,这些特征对运动意图识别有用.
结论:
- 根据CNN-LSTM模型,对精确的基于EEG信号的运动识别有显著的前景.
- 这种方法可以提高脑计算机接口在运动障碍康复中的性能.
- 这些发现支持使用先进的深度学习模型来分析复杂的EEG数据.
