混合优化辅助电脑脑脑电图的通道选择,以深度学习模型为基础,对运动图像任务进行分类
1Department of Computer Science and Engineering, Kongu Engineering College, Perundurai, Tamilnadu, India.
Biomedizinische Technik. Biomedical engineering
|November 7, 2023
概括
本研究介绍了HC + SMA-SSA用于运动图像分类的方案. 这种新的方法通过先进的信号处理和深度学习技术显著提高了分类灵敏度.
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:
- 运动图像 (MI) 任务对于大脑与计算机接口 (BCI) 是至关重要的.
- 准确的MI信号分类对于有效的BCI控制至关重要.
- 现有的方法在优化特征提取和频道选择方面面临着挑战.
研究的目的:
- 开发和验证一种新的方法,HC + SMA-SSA,用于增强运动图像分类.
- 为了提高MI信号分类的准确性和灵敏性.
- 整合先进的信号处理和深度学习以实现最佳性能.
主要方法:
- 使用下方采样进行信号预处理.
- 通过修改的斯托克威尔变换 (ST) 和共同空间模式 (CSP) 来提取特征.
- 使用混合蜘蛛算法和SSA (SMA-SSA) 优化进行最佳通道选择.
- 使用长短期内存 (LSTM) 和双向门式循环单元 (BI-GRU) 模型进行分类,平均输出.
主要成果:
- HC+SMA-SSA方案实现了0.939.9的优异灵敏度.
- 这种性能超过了传统的基于ST的方法和没有优化的HC.
- 混合优化模型有效地确定了改善分类的最佳道.
结论:
- 拟议的HC + SMA-SSA方法证明了对运动图像任务的有效和优异的分类性能.
- 将SMA-SSA优化与深度学习模型的整合显著提高了BCI准确性.
- 这种方法为需要精确电机图像解码的BCI应用提供了有前途的进步.
