一个浅镜变压器用于主体独立的运动图像BCI
Jing Luo1, Yaojie Wang1, Shuxiang Xia1
1Shaanxi Key Laboratory for Network Computing and Security Technology and Human-Machine Integration Intelligent Robot Shaanxi University Engineering Research Center, School of Computer Science and Engineering, Xi'an University of Technology, Xi'an, Shaanxi, China.
Computers in biology and medicine
|July 27, 2023
概括
一个新的浅镜变压器模型有效地对脑电脑接口 (BCI) 的运动图像EEG信号进行分类. 这种方法通过使用多头自我注意力来识别歧视性EEG段来改进独立于主体的分类.
科学领域:
- 神经科学和生物医学工程
- 大脑与计算机接口 (BCI) 技术
- 医疗保健中的机器学习
背景情况:
- 运动图像脑电脑接口 (BCI) 对于运动障碍的康复至关重要.
- 独立于主体的运动图像分类面临挑战,因为可变的歧视性EEG信号段.
- 检测和利用这些歧视性细分是提高BCI绩效的关键.
研究的目的:
- 为主体独立的运动图像提出一个新的浅镜变压器.
- 为了利用多头自我注意力来识别试验中的歧视性EEG段.
- 使用集体学习与镜像EEG信号和网络结构来提高分类精度.
主要方法:
- 一个浅镜变压器架构被开发用于EEG分类.
- 用一个具有全球受体场的多头自我注意层来检测歧视性细分.
- 集体学习与镜像EEG数据和网络结构一起使用,以提高分类准确性.
主要成果:
- 浅镜变压器在基准数据集上实现了高准确度 (74.48%的新对象,76.1%的现有对象).
- 性能超越了现有的最先进的方法在主体独立的运动图像分类.
- 注意分数可视化证实了该模型检测歧视性EEG段的能力.
结论:
- 拟议的浅镜变压器是主体独立运动图像BCI的有效模型.
- 多头自我注意成功地捕获了全球EEG信号信息,以改善分类.
- 这种最浅的变压器模型,参数较少,对小样本EEG分类问题显示出希望.
