TSPNet:一个时空平行网络,用于基于EEG的多类上肢运动图像BCI的分类
Jingfeng Bi1, Ming Chu1, Gang Wang1
1School of Automation, Beijing University of Posts and Telecommunications, Beijing, China.
Frontiers in neuroscience
|January 1, 2024
概括
这项研究介绍了时空并行网络 (TSPNet),用于改进脑电图 (EEG) 运动图像的分类. 通过识别六个上肢运动,TSPNet增强了脑-计算机接口控制,优于现有的深度学习方法.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 大脑计算机接口 (BCI) 通常使用有限的脑电图 (EEG) 运动图像类别,限制控制模式.
- 由于分类能力不足,现有的BCI在细微控制方面扎.
研究的目的:
- 开发一种新的深度学习模型,即时空间并行网络 (TSPNet),用于分类六个不同的上肢运动图像类别.
- 通过改进意图识别来增强非侵入性BCI的控制能力.
主要方法:
- 拟议的TSPNet模型用于从EEG信号中提取和并行测定时间和空间特征.
- 利用一个封闭机制来优化功能提取和减少冗余.
- 引入了基于信号阻塞频率的特征可视化算法,用于定性分析.
主要成果:
- 对于六类汽车图像分类,TSPNet在定制数据集上达到49.1%的准确率,在公共数据集上达到49.7%的准确率.
- 与其他深度学习方法相比,在两个数据集上都表现出卓越的性能.
- 可视化证实TSPNet能够为不同的运动图像意图生成不同的模式.
结论:
- TSPNet显著推进了对BCI的EEG运动图像分类.
- 拟议的方法提供了增强的意图识别,对于开发更复杂的非侵入性BCI至关重要.
- TSPNet的并行特征提取和可视化技术为BCI信号处理提供了宝贵的见解.
