CGAN-rIRN:一种数据增强的深度学习方法,用于基于fNIRS的大脑与计算机接口的心理任务的准确分类

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
• 机器学习 机器学习

背景情况:

• 功能近红外光谱 (fNIRS) 为脑电脑接口 (BCI) 提供了强大的大脑活动监测.
• 对于fNIRS的传统机器学习分类器 (MLC) 与手动特征工程作斗争,限制了准确性.
• 深度学习分类器 (DLC) 是有前途的,但需要大量的数据和计算资源,并且经常忽视fNIRS信号特征.

研究的目的:

• 开发一种新的,数据增强的深度学习分类器 (DLC),用于fNIRS-BCI系统中准确的心理任务分类.
• 通过结合fNIRS信号的时间和空间特性来解决现有DLC的局限性.
• 提高志愿精神任务的分类准确性,以加强BCI控制.

主要方法:

• 提出了一种混合深度学习方法,将基于卷积的条件生成对抗网络 (CGAN) 与基于Inception-ResNet (rIRN) 的DLC进行数据增强.
• 利用CGAN生成合成fNIRS信号,以特定类别的数据来增强训练数据集.
• 设计了rIRN架构,使用串行空间和时间特征提取模块 (FEM) 来捕获多尺度信号属性.

主要成果:

• 拟议的CGAN-rIRN方法显著提高了单次试验分类精度,用于脑算术和脑唱歌任务.
• 与传统的MLC和在fNIRS-BCI范式中常用的DLC相比,表现出优越的性能.
• 数据增强和分类策略有效地增强了大脑激活模式的分类.

结论:

• 新的数据增强DLC (CGAN-rIRN) 有效地将fNIRS-BCI中的心理任务分类,克服了现有方法的局限性.
• 这种混合深度学习方法提供了一个有前途的,数据驱动的解决方案,用于提高意志控制fNIRS-BCI系统的性能.
• 这项研究突出了定制深度学习架构和数据增强对推进神经技术的潜力.