应用常见空间模式和卷积神经网络来通过EEG信号对运动进行分类.
Sepideh Zolfaghari1, Tohid Yousefi Rezaii1, Saeed Meshgini1
1Department of Biomedical Engineering, Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran.
Clinical EEG and neuroscience
|March 25, 2024
概括
这项研究使用卷积神经网络 (CNN) 开发了一种脑电图 (EEG) 大脑计算机接口 (BCI),用于分类八种不同的运动. 这种新的系统实现了高精度,改善了运动障碍患者的假肢控制.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 大脑计算机接口 (BCI) 对于恢复运动障碍患者的功能至关重要.
- 使用脑电图 (EEG) 信号准确分类各种运动仍然是BCI系统面临的挑战.
- 结合先进的信号处理和深度学习,为提高BCI性能提供了一个有希望的途径.
研究的目的:
- 开发和评估基于EEG的BCI系统,用于分类八种不同的上肢运动.
- 将一个对其余的共同空间模式 (OVR-CSP) 功能提取与卷积神经网络 (CNN) 架构集成.
- 将拟议的基于CNN的方法与K-Nearest Neighbors (KNN),Support Vector Machines (SVM) 和多层感知器 (MLP) 等传统分类器的性能进行比较.
主要方法:
- 记录了10名从肩膀,手腕和肘部进行缓慢和快速运动的受试者的EEG信号.
- 信号通过OVR-CSP进行了预处理和特征提取.
- 提取的特征被输入到四层CNN架构中,用于运动分类.
- 使用独立于主体的模型评估性能,并与KNN,SVM和MLP分类器进行比较.
主要成果:
- 拟议的CNN架构实现了缓慢运动的平均精度为97.65%,快速运动的平均精度为96.25%.
- 基于CNN的BCI系统显著超过了KNN,SVM和MLP分类器.
- 独立于学科的模型证明了开发的分类方法的稳定性和有效性.
结论:
- 集成的OVR-CSP和CNN方法提供了一个高度准确和有效的方法来分类来自EEG信号的多个运动.
- 这种先进的BCI系统具有改善外部假肢控制的巨大潜力.
- 这些发现表明,对于运动障碍患者而言,BCI技术取得了重大进展.
