一个端到端的多任务运动图像EEG分类神经网络,基于光谱时间特征的动态融合

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:

• 脑电图 (EEG) 脑电脑接口 (BCI) 提供了控制设备的新方法.
• 目前的BCI特征提取依赖于人工工程,限制了准确性.
• 改进的EEG特征提取对于BCI进步至关重要.

研究的目的:

• 开发一个端到端的深度神经网络,用于基于运动图像 (MI) 的自动特征提取和融合.
• 为了提高多类MI任务的分类准确性.

主要方法:

• 一个紧的卷积神经网络 (CCNN) 学习光谱特征.
• 门式循环单位 (GRU) 层捕获时间模式.
• 一个注意力机制在EEG通道中动态地融合了光谱-时间特征.

主要成果:

• 在4类BCI竞争IV-2a数据集上实现了85.1%±6.19%的平均分类准确度.
• 在6个类数据集上获得了64.4%±8.35%的平均分类准确度.
• 在参与者之间,准确度的变化很低.

结论:

• 拟议的端到端深度学习模型有效地提取和融合光谱-时间EEG特征.
• 该方法显示了提高基于运动图像的BCI性能,使用更少的参数的显著潜力.
• 这种方法为更准确,更有效的BCI系统提供了一个有希望的方向.