卷积尖端神经网络用于基于预测大脑潜力的意图检测,使用脑电图
Nathan Lutes1, Venkata Sriram Siddhardh Nadendla2, K Krishnamurthy3
1Department of Mechanical and Aerospace Engineering, Missouri University of Science and Technology, Rolla, MO, 65409, USA.
Scientific reports
|April 17, 2024
概括
卷积尖端神经网络 (CSNNs) 在检测制动意向的大脑信号方面表现出高准确性. 这种高效的方法使用脑电图 (EEG) 数据进行可靠的预测.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 尖端神经网络 (SNN) 模仿生物系统以提高计算效率.
- 卷积层增强特征提取,导致卷积SNN (CSNN).
- 在EEG信号中预测缓慢皮质潜力 (SCP) 可能表明未来的行动,如制动.
研究的目的:
- 调查使用CSNN用于检测与制动意图相关的预测性SCP的可行性.
- 将CSNN性能与基于EEG的意图检测的其他神经网络模型进行比较.
主要方法:
- 收集了来自参与者执行模拟制动事件的驾驶任务的EEG数据.
- 利用一个CSNN架构来分析EEG信号和检测SCP.
- 进行了10倍的交叉验证,将CSNN与CNN,EEGNet和图形神经网络进行比较.
主要成果:
- CSNN 实现了 99.06% 的预测准确度,超过了所有其他测试的神经网络的性能.
- CSNN展示了高性能指标:98.50%的真正阳性率,99.20%的真负率和F1得分为0.98.98.
- 即使将EEG数据转换为尖峰列车时,CSNN的性能仍然稳健,这表明计算效率.
结论:
- CSNN对于从EEG数据中检测预期性SCP非常有效,显示大脑-计算机接口的重大潜力.
- 该研究验证了CSNNs在实时意图识别任务中的使用,为传统方法提供了计算效率高的替代方案.
更多相关视频
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
10.9K
11:28Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging
Published on: June 30, 2018
11.7K
