TDLNet:数据传输学习网络,用于基于多类上肢运动图像EEG的跨主题分类
概括
本研究介绍了TDLNet,这是一种用于大脑计算机接口 (BCI) 的新方法,可以改善不同个体的运动图像 (MI) 识别. 通过使用电脑电图 (EEG) 数据,TDLNet提高了多类上肢运动的分类准确性.
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:
- 当前的运动图像脑电脑接口 (MI-BCI) 缺乏单肢运动的多样化指令集,阻碍了实际应用.
- 在MI-BCI开发中,对不同个体的大脑活动的分类仍然是一个重大挑战.
研究的目的:
- 提出一种新的传输数据学习网络 (TDLNet),用于在多类上肢运动图像中跨主体的意图识别.
- 为了有效地解码单肢运动的多类别运动图像,以推进MI-BCI技术.
主要方法:
- 开发了TDLNet,结合了传输数据模块 (TDM) 来处理跨主体脑电图 (EEG) 信号和融合通道特征.
- 集成了一个残留注意力机制模块 (RAMM),以动态聚焦相关的EEG信号通道.
- 利用基于阻塞信号频率的特征可视化算法进行定性分析.
主要成果:
- 与基于CNN和转移学习方法相比,TDLNet在两个数据集上取得了更好的分类结果.
- 在6个类的场景中,TDLNet在UML6数据集上达到65%±0.05,在GRAZ数据集上达到63%±0.06.
- 可视化证实了TDLNet能够生成不同的分类器模式,用于各种上肢运动图像任务,使用不同的信号频率.
结论:
- TDLNet有效地解决了多类上肢运动图像的跨主题分类的挑战.
- 拟议的框架显示了推进MI-BCI的实际应用的巨大潜力.
