自主监督的运动图像EEG识别模型基于1-D MTCNN-LSTM网络

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:

• 准确的运动图像脑电图 (MI-EEG) 识别对于脑电脑接口 (BCI) 系统至关重要.
• 现有的方法往往需要大型标记数据集,这限制了它们的实际应用.
• 开发具有高精度和概括性的模型是必不可少的.

研究的目的:

• 提出一种新的自我监督MI-EEG识别方法.
• 减少对广泛标记训练样本的依赖.
• 提高MI-EEG识别模型的分类准确度和概括能力.

主要方法:

• 一种自主监督学习方法,使用一维多任务卷积神经网络和长短期记忆 (1-D MTCNN-LSTM) 模型.
• 一个两阶段的过程,涉及信号转换识别和模式识别.
• 通过微调骨干网络从第一阶段转移学习到第二阶段,使用最小的标记数据.

主要成果:

• 信号转换识别阶段实现了超过95%的准确性,达到100%的准确性.
• 在MI-EEG模式识别阶段,BCIC-IV-2b和BCIC-IV-2a数据集的F1分数分别为0.7856和0.839,准确率为82.04%和87.14%.
• 与现有方法相比,表现出优越的性能.

结论:

• 拟议的自我监督方法显著提高了MI-EEG分类的准确性.
• 这种方法为BCI系统中准确的MI-EEG分类提供了有希望的解决方案.
• 该方法在减少对标记数据的需求方面的有效性使其具有高度适用性.