EEG-FMCNN:一个融合多分支1D卷积神经网络,用于基于EEG的运动图像分类

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 运动成像脑电图 (MI-EEG) 信号对于大脑与计算机接口 (BCI) 系统至关重要.
• 解码MI-EEG信号是具有挑战性的,因为信号与噪声的比率低,以及主体间的变化.
• 现有的方法往往需要大量的预处理.

研究的目的:

• 提出一个新的端到端网络,EEG-FMCNN,用于解码MI-EEG信号而无需预处理.
• 为了提高MI-EEG信号解码的性能和稳定性.
• 为了解决低信号噪声比率和跨主体变异性的局限性.

主要方法:

• 开发了一个融合多分支1D卷积神经网络 (EEG-FMCNN).
• 采用多分支1D卷积来捕获不同频段的信息.
• 集成的1D挤压激发 (SE) 块和快捷连接,以提高通用化和稳定性.

主要成果:

• 在BCI竞争IV-2a数据集上实现了78.82% (主题依赖) 和68.41% (主题独立) 的准确性.
• 证明了噪声耐受性和解决了跨主体的变化.
• Ablative 和微调实验显示,平均性能提高了 7%.

结论:

• 拟议的EEG-FMCNN为解码MI-EEG信号提供了一个强大而有效的解决方案.
• 端到端的方法通过消除预处理的需要,简化了BCI管道.
• 该模型显示了BCI技术的概括和应用的重大影响.