EISATC-融合:开始自我注意力 时间卷积网络融合用于运动图像EEG解码
概括
通过集成先进的深度学习技术,EISATC-Fusion模型通过使用脑电图 (EEG) 提高了运动图像脑电脑接口 (MI-BCI) 的准确性. 这种新的方法可以提高人机交互的解码性能.
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:
- 机动图像大脑计算机接口 (MI-BCI) 利用脑电图 (EEG) 来实现人机交互.
- 在MI-BCI中解码精度通常受到EEG信号非静止性和主体间变异性的限制.
研究的目的:
- 建议使用EISATC-Fusion模型来改进MI EEG解码.
- 为了提高MI-BCI系统的准确性和稳定性.
主要方法:
- EISATC-Fusion模型结合了用于多尺度频率分析的DS Inception块,用于注意力机制的cnnCosMSA模块和深度可分离的卷积增强的时间卷积网络 (TCN).
- 采用了层融合 (特征和决策融合) 和早期停止的两阶段培训策略.
- 用重量可视化评估了模型的解释性.
主要成果:
- 在主体内获得的准确率为84.57% (数据集2a) 和87.58% (数据集2b).
- 在数据集2a上通过转移学习实现了67.42% (两个会议) 和71.23% (一个会议) 的跨主题准确度.
- 通过重量可视化证明模型的可解释性.
结论:
- EISATC-Fusion模型显著提高了MI EEG解码的准确性和稳定性.
- 拟议的模型为 MI-BCI 的实际应用提供了一个有希望的进步.
