对混合深度学习模型进行评估,以对多个下肢动作进行分类

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
• 机器学习 机器学习

背景情况:

• 大脑计算机接口 (BCI) 将脑电图 (EEG) 信号转化为控制命令.
• 运动图像 (MI) 是一个常见的BCI范式,通常利用像CNN和LSTM这样的深度学习模型.
• 现有的研究在分类下肢运动方面存在局限性.

研究的目的:

• 探索和评估混合深度学习模型 (CNN-LSTM组合) 用于分类个人下肢动作.
• 评估这些模型是否适合在运动图像,真实运动和运动观察之间进行区分.
• 在BCI中确定最有效的混合模型用于下肢作用分类.

主要方法:

• 实施并比较了四种混合深度学习模型,这些模型结合了卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络.
• 利用EEG数据对运动图像,真实运动和下肢个体的运动观察进行分类.
• 基于分类准确性的评估模型性能.

主要成果:

• 没有一个单一的混合模型比其他模型显示出明显优越的分类准确性.
• 所有测试的混合模型在分类下肢动作时都超过了机会水平的表现.
• 该研究成功地分类了多种行为,包括运动图像,真实运动和运动观察.

结论:

• 混合CNN-LSTM模型显示了在BCI中分别分类下肢动作的潜力.
• 通过当前的混合模型,对多个动作 (MI,真实,观察到的运动) 的分类是可行的.
• 需要进行进一步的研究,以优化BCI系统中个人下肢动作分类模型.