基于双分支特征融合的运动图像的主体独立的EEG分类

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 大脑-计算机接口 (BCI) 系统增强了运动障碍患者的互动.
• 当前的BCI系统在实用性和可用性方面面临挑战,通常需要进行广泛的校准.
• 校准耗时,耗尽患者的能量,并引起焦虑.

研究的目的:

• 提出一种新的运动辅助方法来解码人类大脑的运动图像意图.
• 引入一个中央损失函数,通过考虑类内合来提高分类准确性.
• 为了实现运动成像BCI (MI-BCI) 系统的零校准.

主要方法:

• 开发一个双分支多级自动编码器网络 (MSAENet).
• 实施中央损失函数以解决传统分类器的局限性.
• 在三个不同的数据集上验证拟议的方法:BCIIV2a,SMR-BCI和OpenBMI.

主要成果:

• 在这三个数据集中,MSAENet表现出强的表现.
• 在独立于主题的场景中,MSAENet在BCIIV2a和SMR-BCI上表现优于其他四种方法.
• 在OpenBMI数据集上获得了69.34%的F1得分,展示了有效性.

结论:

• 拟议的MSAENet提供了更好的分类准确性,具有更少的参数和更短的预测时间.
• 该方法成功实现了MI-BCI系统的零校准,增强了实际应用.
• 这一进步有助于使BCI技术在运动功能障碍方面的可用性和可访问性显著提高.