基于注意力的多模式tCNN用于稳态视觉唤起潜力的分类及其应用于抓手控制的应用

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:

• 短时间窗口稳定状态视觉唤起潜能 (SSVEPs) 的准确分类对于快速的大脑计算机接口 (BCI) 应用至关重要.
• 传统方法在短SSVEP信号中与微妙的频域特征作斗争,限制了响应速度.

研究的目的:

• 介绍AttentCNN,这是一个结合卷积神经网络 (CNN) 和注意力机制的新型网络,用于改进SSVEP分类.
• 通过能够更快,更准确地解释大脑信号来提高BCI的性能.

主要方法:

• 开发了AttentCNN,集成了一个时间域特征提取的过器银行 (FB),用于特征提炼的剩余挤压和激发 (RSE) 块,以及用于进一步分析的时间域CNN (tCNNs).
• 利用一种新型的五指生物手来展示医疗康复中的现实应用.

主要成果:

• 与现有方法相比,AttentCNN在两个大型公共SSVEP数据集上展示了优越的分类性能.
• 该网络成功地使用人类大脑信号直接控制了生物手,展示了实际应用的潜力.

结论:

• 通过利用本地特征学习和特征重要性,AttentCNN有效地解决了对短时间窗口SSVEP分类的挑战.
• 拟议的方法对推进BCI技术具有重大前景,特别是在假肢控制等医疗康复应用中.