TSANet:多分支注意力深度神经网络,用于在脑-计算机接口中分类触觉选择性注意力
Hyeonjin Jang1, Jae Seong Park2,3, Sung Chan Jun4,5
1School of Electronic and Electrical Engineering, Kyungpook National University, IT1-505, 80 Daehak-ro, Buk-gu, Daegu, 41566 South Korea.
Biomedical engineering letters
|January 8, 2024
概括
一个新的深度学习模型,TSANet,通过使用电脑脑学 (EEG) 来提高基于触觉的脑计算机接口 (BCI) 的分类性能. 这一进步解决了当前触觉选择性注意力 (TSA) BCI 的局限性,提供了更有效的控制信号.
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) 使用脑电图 (EEG) 进行非侵入性神经信号采集.
- 基于触觉的BCI为基于视觉的BCI提供了替代方案,以减轻视觉疲劳.
- 目前基于触觉的BCI对控制信号的分类性能不令人满意.
研究的目的:
- 引入一个新的深度神经网络,TSANet,以改善基于触觉的BCI的分类.
- 为了提高触觉选择性注意 (TSA) 的分类,使用具有特征注意机制的多分支卷积神经网络.
- 评估TSANet的性能与传统的深度学习模型相比.
主要方法:
- 开发TSANet,一个包含多分支卷积神经网络和特征注意力机制的深度神经网络.
- 在基于触觉的BCI系统中,触觉选择性注意 (TSA) 信号的分类.
- 严格测试TSANet在主题内,离开一个,和跨主题评估条件下.
主要成果:
- 与传统深度神经网络模型相比,TSANet在所有评估条件下都实现了优越的分类性能.
- 该模型通过分析空间波器重量来证明TSA的有效特征提取.
- 在分类触觉选择性注意力信号方面,TSANet的表现优于现有的方法.
结论:
- TSANet为基于触觉的BCI提供了显著的进步,增强了控制信号分类.
- 拟议的深度学习方法显示了在触觉BCI系统中有效的端到端学习的潜力.
- 进一步开发TSANet可能会导致更强大,更易于使用的触摸BCI.
