通过集成的上下文门网络提高分类准确性:用于功能近红外光谱的深度学习方法 脑电脑接口应用程序

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 大脑-计算机接口 (BCI) 系统将大脑信号转化为命令.
• 深度学习 (DL) 算法通过自动化特征提取来提高fNIRS-BCI的准确性.
• 传统的机器学习需要手动的功能工程,DL可以绕过.

研究的目的:

• 引入和评估一种新的深度学习算法,即集成上下文网关网络 (ICGN).
• 为了提高fNIRS-BCI系统用于运动活动检测的分类准确性.
• 将ICGN的性能与LSTM和Bi-LSTM等既有DL模型进行比较.

主要方法:

• 从20名健康参与者获得两类手握运动活动数据集.
• 拟议的ICGN算法用于特征提取和分类的应用.
• 使用30名受试者的开放访问的三类运动图像数据集进行验证.

主要成果:

• 该ICGN算法实现了分类准确率为91.23 ± 1.60%.
• 这种精度明显高于LSTM (84.89 ± 3.91%) 和Bi-LSTM (88.82 ± 1.96%).
• 在fNIRS-BCI中,ICGN在分类二级和三级运动任务方面表现出了效率.

结论:

• 拟议的ICGN算法为fNIRS-BCI运动活动分类提供了卓越的性能.
• ICGN有效地实现特征提取和模式识别的自动化,性能优于现有的DL模型.
• ICGN是推进fNIRS-BCI应用程序的有希望的工具,需要精确分类神经信号.