一种基于虚拟电极的联合ESA和CNN方法,用于MI-EEG信号特征提取和分类

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
• 计算机科学 计算机科学

背景情况:

• 大脑计算机接口 (BCI) 通过解码脑电图 (EEG) 信号,促进大脑和外部设备之间的通信.
• 运动影像 (MI) 是一个关键的BCI范式,涉及到想象的运动来产生EEG信号,这对于计算机辅助诊断和康复至关重要.
• 现有的MI-BCI系统面临挑战,包括个体差异,信号噪声比低,在线性能差.

研究的目的:

• 为了解决当前MI-BCI系统的局限性.
• 开发一种改进的方法来提取和分类MI-EEG信号的特征.
• 提高在线MI-BCI系统的性能和适应性.

主要方法:

• 建议使用基于虚拟电极的EEG源分析 (ESA) 和卷积神经网络 (CNN) 的综合方法.
• 这种方法侧重于特征提取和MI-EEG信号的分类.
• 该系统因其在线性能和跨学科概括能力而被评估.

主要成果:

• 开发的在线MI-BCI系统在培训后证明了多任务MI-EEG信号的改进解码.
• 该方法成功地学习了跨主题的概括特征,显示了适应个体差异的适应性.
• 该系统实现了EEG意图的在线解码,使智能车的脑控制成为可能.

结论:

• 拟议的ESA和CNN方法为在线MI-BCI系统提供了一种新方法.
• 这种技术提高了MI-BCI系统的解码能力和适应性.
• 这些发现为MI-BCI技术的未来研究和应用提供了有希望的方向.