一个基于事件相关潜力的脑-计算机接口的自动细分的多时间窗口双尺度神经网络

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:

• 与事件相关的潜能 (ERP) 对于理解认知过程和推进脑计算机接口 (BCI) 至关重要.
• 卷积神经网络 (CNN) 在对基于ERP的BCI进行脑电图 (EEG) 信号的分类方面已经显示出潜力.
• 准确的ERP解码对于改善BCI功能至关重要.

研究的目的:

• 引入一种新的深度学习模型,即自动细分的多时窗双尺度神经网络 (AWDSNet),用于增强ERP解码.
• 根据个人数据特征自动确定信号分割的最佳时间窗口.
• 与现有方法相比,评估AWDSNet的性能和计算效率.

主要方法:

• 开发了AWDSNet,将多窗口设计与轻量级的CNN架构集成在一起.
• 实施了自动细分策略,使用已签名的R平方值来定义动态时间窗口.
• 采用双尺度的时空卷积和分组并行性以实现高效的特征提取.
• 验证了公开和自主收集的EEG数据集的模型.

主要成果:

• 在ERP解码任务中,AWDSNet表现出卓越的分类性能.
• 该模型在 EEGNet,DeepConvNet,EEG-Inception 和 PPNN 等既定方法相比取得了更好的结果.
• AWDSNet 在高性能和可接受的计算复杂性之间提供了有利的平衡.

结论:

• AWDSNet显示了推进ERP解码应用程序的巨大潜力.
• 拟议的自动细分和双尺度卷积方法有效地提高了BCI的性能.
• 这种模型代表了先进的脑电脑接口的发展前进的有希望的一步.