基于EEG-BCI的运动图像分类使用双重注意力卷积网络

科学领域:

• 神经科学是一个神经科学.
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 大脑-计算机接口 (BCI) 对于理解运动成像 (MI) 过程中的神经现象至关重要.
• 现有的信号处理方法在电脑电图 (EEG) 数据中的噪声和特征提取方面扎.
• 精确的EEG信号分类对于有效的BCI应用至关重要.

研究的目的:

• 改进和多样化使用MI的BCI系统的信号处理技术.
• 开发一种可靠的降噪方法,并从EEG数据中提取特征.
• 提高基于EEG的BCI模型的分类精度和效率.

主要方法:

• 使用修改最小平均平方 (M-LMS) 进行预处理,以删除诸如互调和交叉通话等噪声.
• 使用共同空间模式 (CSP) 和皮尔森相关系数 (PCC) 的特征提取.
• 通过扩展算术操作优化 (ExAo) 选择特征和减少维度.
• 使用具有注意力机制的双重注意力卷积神经网络 (DAttnConvNet) 进行分类.

主要成果:

• 拟议的模型在EEG运动图像数据集上实现了高分类准确率:基线 (B) 的99.98%,右拳 (R) 的想象运动的99.82%,两拳 (RL) 的想象运动的99.61%.
• 该模型在EEG数据集上的其他模型相比显示出更高的性能,达到97.94%的准确性.
• 在DAttnConvNet中的注意力机制有效地选择和优化功能,增强分类.

结论:

• 开发的信号处理框架显著提高了动力图像任务的BCI性能.
• M-LMS,CSP,PCC,ExAo和DAttnConvNet的组合为EEG信号分类提供了一个强大而准确的方法.
• 这项研究有助于通过增强的信号处理和机器学习技术来推进BCI技术.