基于子搜索算法对EEG信号的分类 - - 脑电脑接口的深度信念网络
Shuai Wang1, Zhiguo Luo2, Shaokai Zhao2
1School of Electrical Engineering and Automation, Tianjin University of Technology, Tianjin 300380, China.
Bioengineering (Basel, Switzerland)
|January 22, 2024
概括
本研究介绍了一种Sparrow搜索算法优化的深度信念网络 (SSA-DBN),用于改进运动图像 (MI) 脑计算机接口 (BCI) 分类. 这种新的方法显著提高了识别BCI应用中的大脑信号的准确性.
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) 在准确识别运动图像 (MI) 脑信号方面面临挑战.
- 现有的MI分类方法需要提高准确性和稳定性.
研究的目的:
- 开发MI-BCI系统的先进分类方法.
- 通过使用优化的深度学习模型,提高MI信号识别的准确性和稳定性.
主要方法:
- 经验模式分解 (EMD) 用于提取EEG特征.
- 使用搜索算法 (SSA) 优化了一个深度信念网络 (DBN),创建了SSA-DBN模型.
- 在两个公共和一个私人数据集上评估了SSA-DBN模型的性能.
主要成果:
- 与基线方法相比,SSA-DBN方法显示出更高的分类准确性.
- 在一个私人数据集上,SSA-DBN的准确率达到87.83%,比标准DBN提高10.38%.
- 在BCI IV 2a (86.14%) 和SMR-BCI (87.21%) 数据集上也观察到显著的准确性改善.
结论:
- SSA-DBN模型为MI-BCI提供了增强的分类功能.
- 这种方法显示了通过改进的信号识别来推进脑计算机接口领域的潜力.
