IMH-Net:一个卷积神经网络,用于端到端的EEG运动图像分类

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 大脑计算机接口 (BCI) 技术严重依赖电脑学 (EEG) 分类算法.
• 现有的算法通常需要对特定主题进行校准,这限制了它们对新用户的实际应用.

研究的目的:

• 提出IMH-Net,一个端到端的主题独立的基于EEG的BCI模型.
• 以独立于主体的方式提高运动图像分类的准确性和稳定性.

主要方法:

• 使用Inception块从EEG数据中提取频域特征.
• 采用特征向量压缩来提取空间域特征.
• 应用多头注意力机制来学习全球信息和分类.

主要成果:

• 在主体独立的设置中,在OpenBMI数据集上获得了73.90±13.10%的准确性和73.09±14.99%的F1分数.
• 与OpenBMI数据集上的比较模型相比,显示了1.96%的精度改进.
• 在BCI竞争IV数据集2a上以主体依赖的方式获得了最先进的准确性和F1分数.

结论:

• 拟议的IMH-Net模型显著提高了对象独立的运动图像 (MI) 分类的准确性.
• 该算法具有很高的稳定性,这表明它对BCI应用具有很强的实际价值.
• 通过IMH-Net,减少了对特定用户进行广泛校准的需求,促进了更广泛的BCI采用.