使用3D卷积神经网络进行时间-频率-相位特征分类,用于运动图像和运动图像
Chengcheng Fan1,2, Banghua Yang1,3, Xiaoou Li2
1School of Mechatronic Engineering and Automation, School of Medicine, Research Center of Brain Computer Engineering, Shanghai University, Shanghai, China.
Frontiers in neuroscience
|September 13, 2023
概括
这项研究引入了一种使用电脑脑图 (EEG) 信号进行脑电脑接口 (BCI) 的新方法. 该方法通过将时间,频率和相位特征与3D-CNN集成来提高解码精度,在运动图像任务中显示出有希望的结果.
科学领域:
- 神经科学和生物医学工程
- 机器学习用于脑与计算机接口 (BCI)
背景情况:
- 卷积神经网络 (CNN) 在BCI中越来越多地用于电脑电图 (EEG) 信号分析.
- 特定对象的EEG模式和多维特征需要先进的表示方法来提高解码精度.
研究的目的:
- 提出一种用于表示EEG时间,频率和相位特征的新方法,以保存多域信息.
- 开发一个高效的紧的3D-CNN模型来提取这些多域特征.
- 为了提高EEG信号的解码精度,用于运动图像 (MI) 和运动执行 (ME) 任务.
主要方法:
- 脑电图 (EEG) 的时间段使用滑动窗口策略生成.
- 时间,频率和相位特征被提取并堆叠成3D特征图 (TFPF).
- 一个紧的3D-CNN模型被设计为高效的特征提取,每个主体的个别测试.
主要成果:
- 在PhysioNet数据集上,对2,3,4类MI任务的平均准确率为89.86%,78.85%和63.55%.
- 在GigaDB数据集上的2类MI分类中达到91.91%的平均准确性.
- 在PhysioNet和GigaDB数据集上的2类MI/ME比较中获得的平均准确率分别为87.66%和80.13%.
结论:
- 拟议的TFPF表示和3D-CNN模型有效地捕获多域EEG信息,以改进解码.
- 该方法在不同数据集的运动图像和运动执行分类方面表现出强的表现.
- 这种方法对开发先进的BCI系统具有重大潜力.
