通过使用多分支CNN,在基于EEG的大脑计算机接口中增强跨主体运动图像分类.

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 机器学习 机器学习

背景情况:

• 大脑计算机接口 (BCI) 通过神经活动实现交互,通常使用电脑图 (EEG) 信号.
• 归类主体独立的运动图像EEG数据是具有挑战性的,因为高个体变异性.
• 深度学习,特别是卷积神经网络 (CNN),显示了增强BCI特征提取和分类准确性的前景.

研究的目的:

• 开发和评估一种新的多分支2D CNN模型,用于使用EEG数据进行主体独立的运动图像分类.
• 评估拟议模型的性能与已建立的BCI深度学习架构相比.
• 分析公开BCI数据集上的新模型的准确性和计算成本.

主要方法:

• 一个五个分支的2D CNN架构 (EEGNet Fusion V2) 设计,每个分支都有独特的超参数.
• 该模型在三个公共EEG运动图像数据集上进行了训练和验证:eegmmidb,BCI IV-2a和BCI IV-2b.
• 性能与一些现有的模型进行了比较,包括EEGNet,ShallowConvNet,DeepConvNet,MMCNN和EEGNet_Fusion.

主要成果:

• EEGNet Fusion V2实现了高的跨主题分类准确度:在eegmmidb.b上达到89.6% (实际) 和87.8% (想象).
• 该模型在BCI IV-2a和IV-2b数据集上分别获得了74.3%和84.1%的得分.
• 拟议的模型在测试的数据集上表现优于比较方法,尽管计算成本更高 (约. 3.5x EEGNet_Fusion). 这是一个很好的例子.

结论:

• 拟议的多分支CNN,EEGNet Fusion V2,显示了BCI对主体独立运动图像分类的显著改进.
• 该模型为基于EEG的BCI应用提供了与现有的深度学习方法相比有前途的进步.
• 进一步的研究可能会专注于优化计算效率,同时保持高分类性能.