一个优化的EEGNet解码器来解码四个类别的手指曲运动图像.

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) 为运动功能丧失的个体提供了潜力.
• 对电脑电图 (EEG) 信号的准确解码对于非侵入性BCI应用至关重要.
• 感官运动节奏 (SMR) 分析是解码运动意图的关键.

研究的目的:

• 为了提高对指指和指的动作解码EEG信号的准确性.
• 为了研究解释性卷积神经网络 (EEGNet) 与SimAM注意力模块的应用.
• 分析与事件相关的异步 (ERD) 和与事件相关的同步 (ERS) 模式.

主要方法:

• 使用了包含SimAM注意模块的EEGNet模型.
• 收集了来自8名健康受试者的EEG数据,这些数据来自指指和指 (左手和右手) 的动作.
• 分析了从运动前一秒到运动后两秒的数据.

主要成果:

• 在解码手指动作方面获得了72.91%的平均分类准确率.
• 成功解码了与指指和指运动相关的EEG信号.
• 与手指运动相关的ERD和ERS模式的特征.

结论:

• 拟议的带有SimAM注意力的EEGNet显著提高了BCI的EEG信号解码精度.
• 这些发现支持对外部设备和康复设备进行细粒度控制的可能性.
• 这项研究推进了用于辅助应用的非侵入性BCI技术.