PMF-CNN:用于SSVEP-EEG解码的并行多频段融合卷积神经网络.
Jianli Yang1,2, Songlei Zhao1, Zhiyu Fu1
1Key Laboratory of Digital Medical Engineering of Hebei Province, College of Electronic and Information Engineering, Hebei University, Baoding 071002, People's Republic of China.
Biomedical physics & engineering express
|February 28, 2024
概括
这项研究引入了一种新的并行多频段融合卷积神经网络 (PMF-CNN),以提高脑计算机接口的准确性. PMF-CNN增强了稳态视觉唤起潜力 (SSVEP) 电脑电图 (EEG) 信号的解码,在康复应用中显示出卓越的性能.
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:
- 稳态视觉唤起潜力 (SSVEP) 电脑脑学 (EEG) 对于神经评估和康复中的脑电脑接口 (BCI) 至关重要.
- 解码SSVEP-EEG信号面临的挑战是由于低的信号噪声比和个体的变化.
- 现有的方法很难充分利用EEG信号中的时空频率信息.
研究的目的:
- 开发一个先进的深度学习模型,用于准确的SSVEP-EEG信号分类.
- 解决SSVEP-EEG解码中低信号噪声比和个体变异性的局限性.
- 提高BCI在术后康复中的稳定性和适用性.
主要方法:
- 提出了一个并行多频段融合卷积神经网络 (PMF-CNN),集成多频段EEG信号.
- 使用并行空间自我注意 (SAM),时间自我注意 (TAM) 和挤压激发 (SEM) 模块进行多维特征提取.
- 开发了一种新的时空空间频率表示和四层CNN分类模块.
- 使用双阶段训练模式进行模型优化.
主要成果:
- 在两个大型公共数据集上实现了高分类准确率99.37%和93.96%.
- 与当前最先进的SSVEP-EEG分类算法相比,其表现优越.
- PMF-CNN表现出高的分类准确性和良好的稳定性,通过大脑功能连接分析进行验证.
结论:
- 拟议的PMF-CNN通过融合多维特征有效地解码SSVEP-EEG信号.
- 该模型的高精度和稳定性显示出在术后康复中应用的巨大潜力.
- 这一进步有助于更可靠,更有效的脑电脑接口.
更多相关视频
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
43.3K
09:25Detecting Pre-Stimulus Source-Level Effects on Object Perception with Magnetoencephalography
Published on: July 26, 2019
6.9K