基于混合神经网络的独立对象的EEG分类

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 大脑-计算机接口 (BCI) 提供直接的通信途径,但通常需要广泛的特定对象校准.
• 传统的主体依赖BCI对中风患者等用户构成挑战,因为需要长时间的校准.
• 主体独立的BCI旨在减少或消除预校准,使用户更快地访问和更广泛的适用性.

研究的目的:

• 开发一种新的融合神经网络框架,用于独立于主体的脑电图 (EEG) 分类.
• 通过提高EEG数据质量和特征提取来提高BCI中的运动图像 (MI) 任务识别.
• 为新用户和运动障碍者提供更有效率,更易于使用的BCI系统,特别是新用户和运动障碍者.

主要方法:

• 一个生成对抗网络 (GAN),称为过器银行GAN (FBGAN),被设计用于高质量的EEG数据增强.
• 从过的多频段EEG数据中提取了稀有的共同空间模式 (CSP) 特性,以保存空间信息.
• 通过特征增强,用于通过特征增强进行MI任务识别,采用具有区分特征的卷积循环神经网络 (CRNN-DF).

主要成果:

• 拟议的混合神经网络在BCI IV-2a数据集上实现了72.74% ± 10.44%的平均分类准确度,用于四类任务.
• 这一表现比现有的最先进的学科独立分类方法有4.77%的改进.
• FBGAN有效地增强了EEG数据,有助于提高CRNN-DF模型的识别精度.

结论:

• 开发的融合神经网络框架为主体独立的BCI系统提供了一个有前途的方法.
• 用于数据增强的FBGAN和用于特征提取的CRNN-DF的新组合显著改善了MI任务识别.
• 这项研究通过减少校准时间和提高用户可访问性来促进BCI的实际应用.