从EEG信号解码受试者驱动的认知状态,用于认知大脑-计算机接口

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 使用大脑信号区分认知状态对于先进的大脑与计算机接口 (BCI) 至关重要.
• 脑电图 (EEG) 提供了一种非侵入性的监测大脑活动的方法.
• 当前的方法经常与认知状态的复杂性和变化性作斗争.

研究的目的:

• 评估使用EEG信号来区分四种不同的认知状态的可行性:静止状态,叙事记忆,音乐和减法任务.
• 从EEG数据开发和评估一个深度学习模型,用于自动化认知状态分类.
• 探索拟议模型在不同EEG信号长度上的通用性.

主要方法:

• 收集了来自七名健康男性参与者执行四项认知任务的EEG数据.
• 将原始EEG信号转换为时间频率图,使用连续波形变换.
• 开发了一个卷积神经网络,以频道和频率关注 (TF-CNN-CFA) 来进行分类.

主要成果:

• 对于四个认知状态,TF-CNN-CFA模型的平均分类准确率为76.14%.
• 该模型的性能明显优于传统的EEG处理方法和经典的图像分类算法.
• 在不同的EEG信号窗口长度中,一致的性能表明了强大的概括能力.

结论:

• 脑电图信号可以有效地区分较高的认知状态.
• 开发的TF-CNN-CFA模型展示了对认知状态分类的有希望的方法.
• 这项研究可以为新的BCI范式铺平道路,利用基于EEG的认知状态检测.