深度时网络用于基于EEG的运动图像识别.
Neha Sharma1, Avinash Upadhyay1, Manoj Sharma1
1Department of Electronics and Communication Engineering, Bennett University, Greater Noida, 201310, India.
Scientific reports
|November 2, 2023
概括
本研究介绍了一种基于变压器的深度学习模型,用于改进运动图像 (MI) 信号分类. 与现有技术相比,新方法显著提高了复杂数据集上的运动识别精度.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 来自脑电图 (EEG) 的运动图像 (MI) 信号分类对于机器人,游戏和医学的应用至关重要.
- 对心脏病发作进行非静止和噪声EEG信号的分类具有挑战性,现有的方法通常在大型的多类数据集上失败.
- 长期短期内存 (LSTM) 网络可以建模时间序列数据,但在MI数据中难以处理非常长期的依赖性.
研究的目的:
- 提出一种基于变压器的新型深度学习架构,用于使用原始EEG信号增强运动识别.
- 解决以前方法的局限性,特别是无法在MI数据中建模非常长期的依赖性.
- 根据最先进的方法,包括LSTM,评估拟议的变压器模型的性能.
主要方法:
- 基于变压器的深度学习神经网络架构的开发.
- 该模型应用于BCI竞赛III IVa和IV 2a中的原始电脑电图 (EEG) 数据集.
- 对变压器模型性能与现有最先进的方法进行比较分析,包括长短期存储器 (LSTM).
主要成果:
- 拟议的基于变压器的模型与现有的最先进的方法相比,实现了更高的性能.
- 在二进制类数据集上,分类准确度达到99.7%,在多类数据集上达到84%.
- 与LSTM相比,变压器模型在处理长期依赖方面表现出更好的能力.
结论:
- 变压器网络为机动图像 (MI) 信号分类的挑战提供了强大的解决方案.
- 拟议的基于变压器的深度学习架构代表了EEG数据运动识别的重大进步.
- 这种方法对提高脑-计算机接口的准确性和可靠性有很大的希望.
