基于EEG图表自我注意网络的特征学习框架,用于运动图像BCI系统
Hao Sun1, Jing Jin2, Ian Daly3
1Key Laboratory of Smart Manufacturing in Energy Chemical Process, Ministry of Education, East China University of Science and Technology, Shanghai, China.
Journal of neuroscience methods
|September 8, 2023
概括
这项研究引入了EEG图表自我注意网络 (EGSAN) 用于运动图像 (MI) 分类. EGSAN有效地从EEG图表中提取空间和光谱特征,大大提高了对现有方法的分类准确性.
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:
- 运动图像 (MI) 任务的准确分类依赖于从脑电图 (EEG) 信号中提取分辨特征.
- 现有的方法往往难以有效地整合EEG源之间的空间关系.
- 整合空间信息对于增强基于MI的大脑计算机接口的性能至关重要.
研究的目的:
- 开发一套新的功能和深度学习模型,利用EEG数据中的空间关系来改进MI分类.
- 引入基于EEG的图表自我注意网络 (EGSAN),能够从EEG图表中学习歧视性低维嵌入.
- 在公开可用的MI EEG数据集上验证拟议的EGSAN模型的有效性.
主要方法:
- 构建了一个EEG图,其中道是具有功率光谱密度 (PSD) 特征的节点,边缘代表空间关系.
- 设计了一个基于EEG的图形自我注意网络 (EGSAN) 来从构建的EEG图中学习特征嵌入.
- 在两个不同的公共MI EEG数据集上评估了EGSAN模型,将其性能与最先进的方法进行比较.
主要成果:
- EGSAN模型成功地学习了低维嵌入向量,这些向量可以作为MI任务的可区分特征.
- 实验表明,在分类准确性方面,拟议的模型明显优于现有方法.
- 基于EEG图的特征集有效地捕获了MI分类的关键空间信息.
结论:
- 开发的EGSAN模型提供了一种有效的方法,通过结合空间关系,从EEG信号中提取歧视性特征.
- 这种基于图形的深度学习方法在运动图像分类领域取得了重大进展.
- 这些发现表明,EGSAN在增强大脑与计算机接口的性能方面具有有前途的应用.
