通过基于多剪辑随机片段策略的交互式双向循环神经网络来区分大脑状态

科学领域:

• 神经科学和人工智能 人工智能
• 大脑与计算机接口 (BCI) 研究.
• 信号处理用于神经数据.

背景情况:

• 脑电图 (EEG) 是一种非侵入性,低成本的方法,用于研究大脑和BCI发展.
• 使用EEG区分大脑状态对于理解大脑机制至关重要.
• 目前用于EEG大脑状态分类的循环神经网络 (RNN) 模型显示性能存在局限性.

研究的目的:

• 用EEG信号来提高大脑状态分类的准确性.
• 为了解决EEG信号组织和RNN架构设计的局限性.
• 引入一种用于增强大脑状态差异化的新型模型.

主要方法:

• 提出了一种基于多剪辑随机片段策略的新型交互式双向循环神经网络 (McRFS-IBiRNN) 模型.
• 开发了McRFS组件,以重新组织输入EEG信号以适应RNN.
• 设计了具有交互连接的IBiRNN组件,以融合双向特征.

主要成果:

• 实现了高分类准确度:96.97% (个人) 和99.34% (组) 在EEG电机/图像数据集上的四类分类.
• 在看不见的对象上表现出强大的概括,准确率为99.01%.
• 在大脑状态分化任务中表现优于现有方法.

结论:

• 拟议的McRFS-IBiRNN模型显著提高了大脑状态分类性能.
• 新的信号组织和RNN架构增强了基于EEG的BCI能力.
• 这种模型显示了大脑状态与EEG信号的区别的卓越性和概括性.