从大脑活动中通过改进的深度网络提取突出的算术数据
Nastaran Khaleghi1, Shaghayegh Hashemi2, Sevda Zafarmandi Ardabili3
1Department of Electrical and Computer Engineering, University of Tabriz, Tabriz 51666-16471, Iran.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
这项研究引入了一种新的CNN-GAN模型来解码大脑,将脑电图 (EEG) 信号映射到视觉刺激中. 该模型准确地从EEG数据中重建了MNIST数字,证明了先进的大脑与计算机接口的潜力.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 自动大脑解码需要从环境刺激中解释神经活动.
- 分析视觉刺激大脑记录有助于理解视觉感知对大脑活动的影响.
研究的目的:
- 调查算术概念对与视觉相关的大脑记录的影响.
- 提出一个高效的卷积神经网络-生成对抗网络 (CNN-GAN),用于将脑电图 (EEG) 映射到突出的图像特征.
主要方法:
- 开发了一个CNN-GAN模型,CNN部分利用深度-1D卷积来分类大脑信号.
- 美国有线电视新闻网将EEG信号分为10个类别,对应于修改国家标准与技术研究所 (MNIST) 数字.
- 美国有线电视新闻网的输出被输入到一个微调的GAN中,用于图像重建.
主要成果:
- 在14个频道的MindBigDataEEG记录中,CNN组件实现了95.4%的平均分类准确率.
- CNN-GAN模型表现出高性能,SSIM和CC的突出度量分别为92.9%和97.28%.
- 通过微调训练CNN-GAN权重来实现成功的基于EEG的MNIST数字重建.
结论:
- 拟议的CNN-GAN模型有效地将EEG信号映射到视觉刺激,使MNIST数字的准确分类和重建成为可能.
- 这项研究推进了大脑解码能力,特别是在理解视觉感知和神经活动之间的关系方面.
- 这些发现表明,在认知神经科学中开发复杂的大脑-计算机接口和应用程序的巨大潜力.
