基于EEG的BCI监测试图的手臂和手部运动的深度学习分类
Sahar Taghi Zadeh Makouei1, Caglar Uyulan2
1Department of AI Engineering, Graduate School of Sciences, 232990 Uskudar University , Istanbul, Türkiye.
Biomedizinische Technik. Biomedical engineering
|June 3, 2024
概括
这项研究通过深度学习提高了脊髓损伤 (SCI) 患者的脑电脑接口 (BCI) 性能. 一个结合的卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 模型改善了运动分类的准确性.
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:
- 脊髓损伤 (SCI) 显著影响运动功能,需要先进的辅助技术.
- 大脑-计算机接口 (BCI) 为SCI患者恢复沟通和控制提供了一个有希望的途径.
- 电脑电图 (EEG) 提供了一种非侵入性方法来获取BCI信号.
研究的目的:
- 改善椎脊髓损伤 (SCI) 患者特定运动的分类性能.
- 为基于EEG的辅助设备开发一个通用的深度学习 (DL) 框架.
- 提高EEG控制辅助技术的可用性和性能.
主要方法:
- 使用低频多类脑电图 (EEG) 数据集.
- 结合卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 架构来分析时空EEG特征.
- 在模型验证中采用了三种特征选择方法和十倍交叉验证 (CV).
- 在在线范式中研究了特定主题的适应.
主要成果:
- 综合CNN-LSTM模型在10倍CV中实现了75.75%的平均精度,低标准偏差 (+/- 0.74%) 在10倍CV中.
- 证明模型对数据变化的稳定性.
- 验证了在线移动分类的概念验证.
结论:
- 开发的深度学习框架通过增强基于EEG的辅助设备,为神经技术做出贡献.
- 该模型有效地捕捉了高层次的时空特征和EEG信号中的潜在依赖性.
- 这项研究提升了SCI患者更有效和更易于使用的BCI的潜力.
