基于神经元的运动图像的多尺度时空注意力网络EEG分类
Venkata Chunduri1, Yassine Aoudni2, Samiullah Khan3
1Senior Software Developer, Department of Mathematics & Computer Science, Indiana State University, USA.
Journal of neuroscience methods
|March 30, 2024
概括
这项研究引入了一种新的深度学习模型,用于在脑机界面 (BCI) 应用中对电脑脑图 (EEG) 信号进行分类. 新的多尺度时空自我注意网络在运动图像分类中实现了高精度.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 大脑计算机接口 (BCI) 技术利用脑电图 (EEG) 信号进行运动成像任务.
- 深度学习已经推进了BCI,但在提取运动图像EEG数据特征方面仍然存在挑战.
- 开发用于EEG分析的有效深度学习模型对于BCI进步至关重要.
研究的目的:
- 介绍一个新的多尺度的时空自我注意网络,用于分类运动图像EEG信号.
- 在BCI应用中提高EEG信号分类的准确性和效率.
- 为了应对从运动图像EEG数据中提取强大的特征的挑战.
主要方法:
- 提出了一个利用注意力机制的多尺度时空自我注意力 (SA) 网络模型.
- 该模型通过考虑时间和空间属性来处理EEG信号.
- 并行多尺度时空卷积网络 (TCN) 层用于时空特征提取和降噪.
主要成果:
- 该模型的分类准确率为79.26% (BCI IV-2a),85.90% (BCI IV-2b) 和96.96% (HGD).
- 与现有方法相比,证明了单个主体分类的更高的准确性.
- 拟议的战略显示出有利的绩效,弹性和转移学习能力.
结论:
- 开发的多尺度时空自我注意网络对于运动图像EEG分类是有效的.
- 该模型为BCI应用提供了更好的性能和稳定性.
- 该战略显示了在各种BCI场景中转移学习的潜力.
