基于EEG的运动图像分类的基于频段的自适应过器协调注意网络
Xiaoli Zhang1, Yongxionga Wang1, Yiheng Tang1
1The School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai, 200093 China.
Health information science and systems
|February 26, 2024
概括
这项研究引入了基于 Frequency Bands 的自适应过器 Coordinate Attention Network (AFFB-CAN),以增强大脑-计算机接口中的运动图像分类. 这种新的方法通过自适应地选择频段和学习时空特征来提高准确性.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 信号处理 信号处理
背景情况:
- 大脑-计算机接口 (BCI) 通过神经信号来控制设备.
- 机动图像 (MI) 分类面临挑战,原因是信号与噪声比较低,多个通道和非线性.
- 精确的MI解码对于有效的BCI应用至关重要.
研究的目的:
- 为了提高大脑计算机接口 (BCI) 中的运动图像 (MI) 分类性能.
- 调查适应频段选择和时空特征学习对解码MI的作用.
- 解决电脑电图 (EEG) 信号中信号与噪声比较低和非线性问题的挑战.
主要方法:
- 提出了基于坐标注意网络 (AFFB-CAN) 的频段适应过器.
- 开发了一种自适应频段选择方法,以避免人工限制.
- 整合了协调注意网络 (CAN),以强调关键的大脑区域和时间段,并配备了用于增强时间上下文学习的多尺度模块.
主要成果:
- 在BCI竞争IV-2a数据集上获得了0.7825的平均准确度,0.7104的kappa和0.7486的宏F1-Score.
- 在BCI竞争IV-2b数据集上获得了0.8879的平均准确度,0.7427的kappa,0.8734的F1-Score.
- 使用AFFB-CAN方法在MI分类性能上取得显著改善.
结论:
- AFFB-CAN方法有效地提高了运动图像分类的准确性.
- 证实了μ和β节律与运动图像的关联.
- 在运动图像分类中确定了节奏的重要作用.
更多相关视频
11:28Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging
Published on: June 30, 2018
11.7K
11:31Functional Near Infrared Spectroscopy of the Sensory and Motor Brain Regions with Simultaneous Kinematic and EMG Monitoring During Motor Tasks
Published on: December 5, 2014
15.2K