模型和数据双驱双点观测网络用于超短MI EEG分类

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:

• 深度网络通常需要长时间序列样本进行训练,这阻碍了实时应用.
• 大脑计算机接口 (BCI) 研究,特别是使用脑电图 (EEG) 的运动图像 (MI) 分类,面临着深度模型的3.5秒样本长度要求的挑战.
• 需要更长的样本限制了BCI的深度网络应用在实验室环境中,阻碍了实际使用.

研究的目的:

• 开发一个深度网络,能够对埋在噪声中的超短信号样本进行分类.
• 为了实现基于运动图像 (MI) 的脑电脑接口 (BCI) 系统的实时实现.
• 为了解决当前深度学习模型在处理BCI的短EEG样本方面的局限性.

主要方法:

• 一个新的双点观测深度网络 (DoNet) 已被开发用于超短信号分类.
• 从理论上推导出一种分析解决方案,用于使用双点对进行分类.
• 建立了一个信号噪声模型,并应用了一个独立的相同分布条件,以实现数据驱动的准确性改进.

主要成果:

• DoNet成功地将超短的EEG样本 (1s) 进行分类,准确度提高.
• 该模型显示,与公共EEG数据集上的最先进方法相比,分类准确度增加了> 3%.
• 在分类短EEG信号的同时,DoNet有效地抑制噪声干扰.

结论:

• DoNet提供了一个可行的解决方案来分类超短,杂的EEG信号,克服了以前的长度限制.
• 开发的模型有助于实时BCI系统的实际实施.
• 这项研究通过使用显著更短的信号样本来推动BCI的深度学习应用.