使用基于EEG的脑计算机接口使用一维CNN模型进行身份验证

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 脑电脑接口 (BCI) 技术利用电脑电图 (EEG) 信号进行直接的人与环境的互动.
• 通过EEG进行运动图像 (MI) 分类对于协助中风幸存者和运动障碍患者至关重要.
• 目前的EEG分类面临着由于噪声,信号干扰和有限的概括性而面临的挑战,这阻碍了实际应用.

研究的目的:

• 开发一种强大而高效的深度学习方法来分类对应于运动图像任务的EEG信号 (右手,左手,脚,静止).
• 引入一个轻量级的1D卷积神经网络 (1-D CNN) 模型,将参数最小化,同时最大限度地提高分类准确性.
• 探索四类输出的创新应用,用于安全的身份验证系统和残疾人辅助技术.

主要方法:

• 为EEG信号处理量身定制的一维卷积神经网络 (1-D CNN) 架构的实施.
• 训练和验证1-D CNN模型的运动图像数据集,包括四个不同的任务.
• 基于分类准确性和参数效率的模型性能评估.

主要成果:

• 拟议的1-D CNN模型在四个运动图像任务中实现了91.75%的高分类准确性.
• 该模型的特点是轻量级,与现有的深度学习方法相比,参数数量减少.
• 证明了在新型应用中使用四个输出类的可行性,包括安全密码认证和辅助控制.

结论:

• 开发的1D CNN模型为基于EEG的运动图像分类提供了实用和准确的解决方案.
• 该模型的轻量级性质提高了其适用于实时BCI应用和在资源有限的设备上部署的适用性.
• 多类EEG信号分类的创新应用为增强的安全系统和动力障碍患者的辅助技术提供了有前途的途径.