来自单边上肢的运动图像任务的分类,基于重量优化学习模型
Qing Cai1, Chuan Liu1, Anqi Chen1
1School of Information Engineering, Wuhan University of Technology, 430070 Wuhan, Hubei, China.
Journal of integrative neuroscience
|May 30, 2024
概括
这项研究引入了一个重量优化的EEGNet模型,使用遗传算法来提高细动力图像 (MI) 任务的解码精度. 改进的模型在分类六种类型的右上肢运动方面显著优于现有方法.
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:
- 解码精细运动图像 (MI) 任务是具有挑战性的,因为密集的大脑皮层活动.
- 现有的方法在分类微妙的MI运动方面显示出有限的准确性.
研究的目的:
- 为了提高单边细运动图像 (MI) 任务的解码精度.
- 改进六种特定的MI类型对右上肢的分类.
主要方法:
- 为了MI分类,开发了一个重量优化的EEGNet模型.
- 使用脑电图 (EEG) 数据增强和遗传算法 (GA) 来优化模型参数.
- 卷积内核参数由GA确定,然后通过反向传播优化重量.
主要成果:
- 该模型实现了三联分类的平均准确率为87.97%.
- 肘部,手腕和手关节的二进制分类准确率分别为93.92%,90.2%和94.64%.
- 整体MI分类准确率达到了81.74%,超过了传统算法,并减少了平均误差.
结论:
- 拟议的算法有效地解决了参数灵敏度,并提高了MI分类的稳定性.
- 该方法在与现有的神经网络和传统算法相比,表现优越.
- 该方法可以适应其他脑电图 (EEG) 分类任务,包括情绪和物体识别.
