脑电图频道注意力与旋转变压器相结合的新型算法结构用于电机模式分类

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:

• 基于脑电图 (EEG) 的脑电脑接口 (BCI) 越来越多地用于医疗应用,特别是通过运动成像 (MI) 进行中风康复.
• 高维EEG数据对传统的深度学习模型构成挑战,往往导致被忽视的通道相关性和分类错误.

研究的目的:

• 开发一种新的EEG频道注意力算法结构,与Swin变压器相结合,在BCI康复中增强运动模式识别.
• 解决传统深度学习方法在处理高维EEG数据和捕获内在通道相关性方面的局限性.

主要方法:

• 提出了一个新的算法结构,将EEG频道注意力与Swin变压器架构集成在一起.
• 利用变压器内的自我注意机制来捕捉EEG数据中的时间-光谱-空间特征.
• 将该方法应用于用于BCI康复的运动模式识别.

主要成果:

• 拟议的方法平均准确率为87.67%,高于现有的最先进的方法.
• 证明了在EEG数据中的时间光谱特征之间提取高层次,隐藏的连接的能力.
• 验证了高性能BCI系统的通道注意力和旋转变压器的有效性.

结论:

• 频道注意和Swin变压器的组合提供了一个强大的方法来分析复杂的EEG数据在BCI应用程序.
• 这种方法显著提高了运动模式识别的准确性,显示了推进基于BCI的神经康复的巨大潜力.
• 这些发现表明,开发更有效,更准确的大脑与计算机接口系统是一个有希望的方向.