SincMSNet:用于EEG运动图像分类的Sinc波卷积神经网络.

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:

• 运动图像 (MI) 对于大脑与计算机接口 (BCI) 是至关重要的.
• 使用卷积神经网络 (CNN) 解读MI-EEG信号面临着由于个体变化的挑战.
• 现有的方法很难适应特定学科的EEG模式.

研究的目的:

• 提出SincMSNet,一个完全端到端的CNN,旨在克服MI-EEG解码中的个体变化.
• 为了提高MI-BCI的准确性和稳定性.
• 开发一种能够从EEG数据中提取特定主体频率和时间特征的模型.

主要方法:

• SincMSNet使用Sinc过器来提取特定主题的频段.
• 混合深度卷积在每个频段内捕获多个尺度的时间信息.
• 空间卷积块和时间日志差异块分别提取空间和分类特征.
• 与交叉和中心损失的联合监督确保了歧视性特征表示.

主要成果:

• 在BCIC-IV-2a (四类) 和OpenBMI (两类) 数据集上,SincMSNet实现了高精度.
• 平均准确率达到80.70% (四个类间的会话) 和71.50% (两个类间的会话).
• 单个会话的准确率为84.69% (四类) 和76.99% (两类).
• 可视化证实了SincMSNet能够提取特定主体的频段的能力.

结论:

• 与基准方法相比,SincMSNet在MI-EEG解码中表现出优异的性能.
• 拟议的网络显示了提高MI-BCI的稳定性和性能的巨大潜力.
• 这些发现表明SincMSNet是个性化BCI应用程序的有希望的方法.