基于大脑启发的前进前进机制的图形神经网络用于大脑-计算机接口中的运动图像分类
Qiwei Xue1,2,3, Yuntao Song1,2, Huapeng Wu3
1Institute of Plasma Physics, Hefei Institutes of Physical Science, Chinese Academy of Sciences, Hefei, China.
Frontiers in neuroscience
|April 12, 2024
概括
一个新的图形神经网络联合前进机制 (F-FGCN) 框架改进了脑电图 (EEG) 解码的脑电脑接口 (BCI). 这种方法通过捕捉电极关系来增强运动成像 (MI-EEG) 任务性能,实现高精度.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 大脑-计算机接口 (BCI) 系统依赖于电脑电图 (EEG) 信号来执行运动成像 (MI-EEG) 任务.
- 传统的深度学习 (DL) 方法难以表示EEG电极之间的拓关系,限制了解码精度.
- 了解大脑网络动态和神经信号传输对于推进BCI技术至关重要.
研究的目的:
- 引入一个新的深度学习框架,F-FGCN,集成图形神经网络 (GCN) 和前进 (F-F) 机制.
- 通过结合功能拓关系和信号传播机制来提高EEG信号解码性能.
- 在BCI应用中提高运动图像分类的准确性.
主要方法:
- 开发了一个F-FGCN框架,灵感来自于大脑的前进神经元机制.
- 代表了多道EEG数据作为基于Pearson相关系数的网络,以捕捉道间的关联.
- 使用预先训练的GCN,然后进行微调,使用F-F模型进行高级特征提取和分类.
主要成果:
- 在使用PhysioNet数据集对F-FGCN框架进行了四类分类任务的评估.
- 在主题层面达到96.11%的高分类准确率,在组级达到82.37%.
- 在EEG解码中,与经典和最先进的模型相比,表现出优异的性能.
结论:
- 通过利用拓关系和信号传播,F-FGCN框架有效地解码EEG信号.
- 拟议的方法显著提高了BCI应用下游分类器的性能.
- F-FGCN显示出强大的潜力,以推进大脑-计算机接口的功能和应用.
