自主监督的EEG表示学习与对比预测编码,用于中风后患者

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
• 人工智能的人工智能

背景情况:

• 脑卒中患者因疲劳和身体限制而面临EEG获取方面的挑战.
• 有效的特征表示对于基于运动图像 (MI) 的脑计算机接口 (BCI) 至关重要.
• 深度学习在提高BCI性能方面表现有前途.

研究的目的:

• 为MI-BCI提出一个新的框架,用于生成有效的特征表示.
• 为了提高脑中风患者的MI任务识别解码性能.
• 验证拟议方法的效率和准确性.

主要方法:

• 基于修改的s转换 (MST) 的对比预测编码 (CPC) 框架被开发出来.
• 用MST进行时间频率特征提取.
• EEG2图像将多通道EEG转换为CPC处理的2D拓图.
• K-表示集群验证的特征有效性.

主要成果:

• MST-CPC模型在40个受试者中实现了89%的平均分类准确度.
• 产生的特征显示出高效率和良好的集群效应.
• 拟议的方法在公共数据集上表现优于其他自我监督的方法.

结论:

• 该MST-CPC框架有效地为MI-BCI产生了强大的特征表示.
• 这种方法显著改善MI-BCI系统的性能,特别是对于中风患者.
• 自主监督学习和EEG图像处理的整合代表了BCI在神经康复中的应用的突破.