关于基于深度学习的运动图像电脑图像 (EEG) 分类的深入调查

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:

• 基于脑电图 (EEG) 的脑电脑接口 (BCI) 能够实现大脑与外部设备之间的通信.
• 机动图像 (MI) 是一个常见的BCI范式,在医学和智能家居中具有应用.
• 归类MI-EEG信号是具有挑战性的,因为信号与噪声比率 (SNR) 较低,并且不静止.

研究的目的:

• 系统地调查基于深度学习 (DL) 的MI-EEG分类方法.
• 为DL模型提供公平性能比较的指导方针.
• 分析网络架构对分类性能的影响.

主要方法:

• 基于DL的MI-EEG分类技术的全面审查,包括输入配方和网络架构.
• 使用作者发布的源代码对代表性DL模型进行公平评估.
• 对网络架构的废弃研究,以了解组件贡献.

主要成果:

• 有效的特征融合对于多流CNN模型至关重要.
• 将LSTM与空间特征提取相结合,可以提高分类.
• 脱落的影响最小,并且完全连接的层可能不会提高性能,尽管参数增加了.

结论:

• 深度学习的进步有助于MI-EEG分类.
• 为未来的研究提供了指导方针,以确保公平的模型性能比较.
• 突出了MI-EEG分类中的未解决的问题和未来的研究方向.