多域卷积神经网络模型用于改进与事件相关的潜在分类
Xiaoqian Chen1, Resh S Gupta2, Lalit Gupta1
1School of Electrical, Computer, and Biomedical Engineering, Southern Illinois University, Carbondale, IL 62901, USA.
Sensors (Basel, Switzerland)
|July 11, 2023
概括
新的卷积神经网络 (CNN) 模型通过融合多域信息,准确地分类事件相关潜力 (ERP). 这些模型为大脑-计算机接口和大脑疾病分类提供了高精度.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 与事件相关的潜能 (ERP) 是理解大脑活动的关键神经信号.
- 对ERP的准确分类对于诸如脑计算机接口 (BCI) 和诊断大脑疾病等应用至关重要.
- 现有的方法往往难以应对ERP数据在不同受试者和试验中的复杂性和可变性.
研究的目的:
- 为准确的ERP分类引入两个新的卷积神经网络 (CNN) 模型.
- 从ERP的连续波波变换 (CWT) 中融合频率,时间和空间域信息.
- 评估模型在个人 (BCI) 和基于组的 (疾病分类) 场景中的性能.
主要方法:
- 开发了两种多域CNN模型,利用从CWT衍生的Z-scalograms和V-scalograms.
- 将多通道ERP数据合并为频率-时间-空间立方体 (第一模型) 和矩阵 (第二模型).
- 为定制 (单个主题) 和基于组 (跨主题) 的ERP分类进行了实验.
主要成果:
- 两种多领域模型都实现了单个试验的高分类准确度,并平均了ERP.
- 即使在一小部分排名最高的频道中,也证明了有效的分类.
- 建议的多域融合模型始终优于单通道分类器.
结论:
- 新的多域CNN模型有效地利用ERP分类的融合频率,时间和空间信息.
- 这些模型对BCI应用和大脑疾病分类都有显著的前景.
- 融合方法为ERP分析提供了一个优越的替代方案,而不是传统的单通道方法.
