否定EEG信号用于使用GANs的现实世界BCI应用程序

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 脑电图 (EEG) 对于脑电脑接口 (BCI) 至关重要,它将大脑活动转化为行动.
• 现实世界的BCI性能受到EEG信号中的噪音和人工物显著阻碍,限制了实际使用.
• 现有的无声化方法难以应对便携式EEG设备中的工件的复杂性和可变性.

研究的目的:

• 开发和评估一个生成对抗网络 (GAN) 管道,以进行强大的EEG文物移除.
• 提高便携式BCI在现实环境中的性能和适用性.
• 展示GAN在处理多种文物类型方面的能力,以及它在无监督学习任务中的潜力.

主要方法:

• 利用生成对抗网络 (GAN) 进行监督的EEG信号消音,映射噪声以清除EEG信号.
• 开发了一个利用GAN的管道,以解决EEG时间序列数据中的工件移除问题.
• 在一个带有电源噪声的玩具数据集和一个带有诱导肌体和眼部工件的基准数据集上验证了模型.

主要成果:

• 该GAN框架成功地消除了EEG信号的噪声,显著改善了信号噪声比 (SNR) 和功率光谱密度 (PSD).
• 该模型与当前最先进的深度学习技术相比,表现出了竞争力的表现.
• 定性和定量证据证实了GAN在去除多种文物类型方面的有效性.

结论:

• 这种基于GAN的框架是第一个在多种工艺品类型中实现可泛化EEG工艺品去除的框架.
• 拟议的方法推进了EEG解噪的深度学习技术,为现实世界的BCI应用提供了强大的解决方案.
• 允许开发具有更清洁,更稳定的脑信号的便携式EEG设备,将AI与可穿戴技术集成在一起.