时间空间卷积残余网络用于解码脊髓损伤受试者的试图移动相关EEG信号
Hamed Mirzabagherian1, Mohammad Bagher Menhaj1, Amir Abolfazl Suratgar1
1Department of Electrical Engineering, Amirkabir University of Technology, Hafez Ave. 15875-4413, Tehran, Iran.
Computers in biology and medicine
|August 2, 2023
概括
新的深度学习模型,即时空间卷积剩余网络 (TSCR-Net) 和时空间卷积代剩余网络 (TSCIR-Net),在脊髓损伤 (SCI) 患者中显著提高了脑计算机接口 (BCI) 的准确性. 这些网络增强了电脑电图 (EEG) 信号的分类,以恢复手部功能.
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
- 机器学习 机器学习
背景情况:
- 大脑-计算机接口 (BCI) 对于恢复脊髓损伤 (SCI) 患者的运动功能至关重要.
- 电脑电图 (EEG) 信号的有效分类对于提高BCI性能和特征提取的灵活性至关重要.
- 目前的BCI系统需要先进的方法来可靠地解释大脑活动.
研究的目的:
- 开发和评估新的深度学习模型,TSCR-Net和TSCIR-Net,用于对EEG信号进行分类.
- 使用先进的卷积神经网络架构,提高SCI患者手动解码的准确性.
- 将拟议模型的性能与现有的深度神经网络进行比较,用于EEG信号分类.
主要方法:
- 开发时间空间卷积剩余网络 (TSCR-Net) 和时间空间卷积代剩余网络 (TSCIR-Net),利用时间空间,可分离和深度卷积结构.
- 在SCI患者中分类来自五个不同的手部运动类别的EEG信号.
- 贝叶斯超参数优化的应用,用于调整紧卷积神经网络超参数.
- 对EEG数据在不同频率范围内对模型通用性的评估.
主要成果:
- 拟议的TSCIR-Net和TSCR-Net模型与以前的深度神经网络相比,实现了更高的分类准确性.
- 在EEG_All数据集中实现了71.11% (TSCIR-Net) 和64.55% (TSCR-Net) 的分类准确度.
- 实现了57.74%的分类精度 (TSCIR-Net) 和67.87%的分类精度 (TSCR-Net) 对于EEG_低频数据集.
- 证明模型能够解码不同动作意图的不同特征.
结论:
- TSCIR-Net和TSCR-Net在SCI中BCI应用的EEG信号分类方面取得了重大进展.
- 开发的模型提供了更好的准确性和通用性,为更有效的神经假肢控制铺平了道路.
- 这些发现突显了先进的深度学习架构在SCI患者中恢复手部功能方面的潜力.
