使用高分辨率时间频率表示和卷积神经网络的运动图像EEG信号的分类

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:

• 基于运动图像 (MI) 的脑计算机接口 (BCI) 系统对于运动残疾和脑损伤的个体的神经康复至关重要.
• 分类左手和右手MI任务对于开发有效的BCI系统至关重要.

研究的目的:

• 使用脑电图 (EEG) 信号对左手和右手运动图像 (MI) 任务进行分类.
• 为了提高基于MI的BCI系统用于神经康复的准确性.

主要方法:

• 利用复杂的莫莱特波段 (CMW) 具有频率依赖的宽度,用于高分辨率的时间频率表示 (TFR) 来自C3和C4频道的EEG信号.
• 开发了一种新的方法来选择相对于CMW中心频率的周期数,用于特征提取.
• 使用卷积神经网络 (CNN) 将生成的TFR分类为左手或右手MI任务.

主要成果:

• 在BCI竞争IV数据集2a.上实现了82.2%的分类准确度.
• 证明,与基线和现有算法相比,提议的TFR生成方法产生了更高的分类准确性.

结论:

• 拟议的框架有效地分类左手和右手MI任务,使用先进的EEG信号处理和CNN.
• 这种新的TFR生成技术显示出在神经康复应用中增强基于MI的BCI系统性能的巨大潜力.