MBGA-Net:一个多分支图形自适应网络,用于个性化运动图像EEG分类
Weifeng Ma1, Chuanlai Wang1, Xiaoyong Sun1
1School of Information and Electronic Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, PR China.
Computer methods and programs in biomedicine
|June 16, 2023
概括
一个新的多分支图形自适应网络 (MBGA-Net) 提高了运动成像 (MI) 电脑图像 (EEG) 信号分类准确性. 这种适应性方法提高了医疗康复和智能控制应用的精度.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 深度学习已经提升了运动图像 (MI) 电脑图像 (EEG) 信号分类准确度.
- 目前的模型很难为个人用户实现高分类准确性.
- 精确识别单个EEG信号对于医疗康复和智能控制至关重要.
研究的目的:
- 开发一种新的深度学习模型,用于精确的个人MIEEG信号分类.
- 解决个人化EEG信号识别现有模型的局限性.
主要方法:
- 提出了一个多分支图形自适应网络 (MBGA-Net).
- 采用一种自适应技术,将单个EEG信号与基于时空特征的合适时间频处理方法相匹配.
- 利用了增强的注意力机制和深度卷积方法,在每个模型分支中保持剩余连接.
主要成果:
- 在BCI竞争IV数据集2a和2b上验证的MBGA-Net.
- 数据集2a:平均准确率为87.49%,平均卡帕0.83,个体卡帕标准偏差为0.08.
- 数据集2b:在三个网络分支中,分类准确度平均为85.71%,85.83%和86.99%.
结论:
- MBGA-Net有效地对运动图像EEG信号进行了分类,具有强烈的概括性.
- 适应匹配技术显著提高了个人分类准确性.
- 该模型在基于EEG的系统中显示出实际应用的前景.
