脑波散射网络:基于EEG的运动图像识别的轻量级网络
Konstantinos Barmpas1,2, Yannis Panagakis3,2, Dimitrios A Adamos1,2
1Department of Computing, Imperial College London, London SW7 2RH, United Kingdom.
Journal of neural engineering
|September 7, 2023
概括
这项研究引入了一种新型的神经网络,用于使用脑电图 (EEG) 信号的脑电脑接口 (BCI). 轻量级模型提供了更好的解释性和效率,特别是针对个性化BCI应用程序的训练数据有限.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 大脑-计算机接口 (BCI) 利用脑电图 (EEG) 信号进行直接的大脑-世界通信.
- 卷积神经网络 (CNN) 在EEG任务中很普遍,但缺乏可解释性,并与有限的数据作斗争.
- 现有的EEG分析深度学习模型通常需要大量的训练数据和计算资源.
研究的目的:
- 为基于EEG的BCI开发一种新,轻量级和可解释的神经网络架构.
- 解决当前深度学习模型在数据要求和可解释性方面的局限性.
- 为了使有效的个性化BCI模型,即使有有限的培训数据.
主要方法:
- 引入一个完全可学习的神经网络架构,使用加博波器.
- 在频率和时间调制路径上,EEG信号的散射分解.
- 在通用 (跨学科) 和个性化 (学科内部) 分类设置中进行评估.
主要成果:
- 拟议的模型在多个数据集 (公共和内部) 中实现了高性能.
- 与最先进的深层架构相比,证明了高效率,可训练参数显著减少,训练时间缩短.
- 该网络表现出增强的解释性,特别是在其时间过操作中.
结论:
- 基于加博尔波器的新型神经网络为基于EEG的BCI提供了一个有前途,高效和可解释的解决方案.
- 这种架构有效地处理有限的培训数据,促进个性化的BCI开发.
- 这些发现表明了设计更容易访问和更容易理解的BCI系统的新方向.
