一个多频段的中心点对比重建融合网络用于运动图像的脑电图信号解码

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
• 信号处理 信号处理

背景情况:

• 运动成像 (MI) 大脑-计算机接口 (BCI) 解码脑电图 (EEG) 信号,使大脑和外部设备之间的通信.
• 现有的方法与EEG信号的节奏性和子频段性质作斗争,导致特征融合和模型融合的挑战.
• 简单的特征融合往往导致全球损失,并忽略了不同子频段特征的互补性.

研究的目的:

• 提出一个新的多频段中心质对比重建融合网络 (MB-CCRF),以增强基于EEG的MI分类.
• 通过保留与任务相关的节奏特征和改善模型融合来解决简单特征融合的局限性.
• 通过考虑特征相似性和类别贡献来增强融合特征的区分能力.

主要方法:

• 通过EEG信号的频率分割获得多频段的时空特征.
• 采用多流交叉层连接的卷积网络,用于深度表现每个子频段的特征.
• 引入了一个中心点对比重建融合模块,将特征映射到共享嵌入空间中,并重建语义结构.

主要成果:

• 在BCI竞争IV-IIa数据集上实现了79.96%的实验准确性.
• 通过比较测试,通过不同主体验证了子频段特征的分类有效性.
• 通过混矩阵和视觉分析证明了不同子频段特征对基于EEG的MI分类的重要性.

结论:

• 拟议的MB-CCRF网络有效地整合了多频段EEG特征,以改进MI分类.
• 中心对比重建融合模块增强了特征可区分性和模型融合.
• 这种方法为开发更强大,更准确的BCI系统提供了有希望的方向.