PSAEEGNet:基于金字塔挤压注意力机制的CNN,用于RSVP任务中的一次试验EEG分类
Zijian Yuan1,2, Qian Zhou2, Baozeng Wang2
1School of Intelligent Medicine and Biotechnology, Guilin Medical University, Guangxi, China.
Frontiers in human neuroscience
|May 17, 2024
概括
本研究介绍了PSAEEGNet,这是一个新的卷积神经网络,用于在快速串行视觉呈现 (RSVP) 任务中分类单试电脑电图 (EEG) 信号. 该模型增强了P300检测,提高了基于EEG的目标识别精度.
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:
- 精确的单试电脑图 (EEG) 分类对于基于EEG的目标识别在快速串行视觉呈现 (RSVP) 任务中至关重要.
- P300信号是RSVP任务的关键,但其信号噪声比较低,数据有限.
研究的目的:
- 优化卷积神经网络 (CNN) 以改善单试EEG中的P300分类.
- 引入PSAEEGNet,这是一个新的CNN模型,旨在增强EEG数据中的特征提取.
主要方法:
- 开发了PSAEEGNet,集成标准卷积层,金字塔挤压注意力 (PSA) 模块和深层卷积层.
- 专注于将P300信号的时间和空间特征提取到更细的颗粒度.
主要成果:
- 与现有的单一试验EEG分类方法相比,PSAEEGNet表现显著改善.
- 实现了0.7949的平均真实阳性率和0.9341的平均曲线下面积 (AUC) (p < 0.05).
结论:
- 拟议的模型有效地提取了P300的时间和空间特征,从而导致更准确的单试EEG分类.
- PSAEEGNet显示了增强基于EEG的目标识别系统和推进实际应用的潜力.
