一个卷积神经网络通过使用少数道EEG识别SSVEP
Xiaodong Li1,2, Shuoheng Yang1,2, Ningbo Fei2
1Orthopedics Center, The University of Hong Kong-Shenzhen Hospital, Shenzhen 518053, China.
Bioengineering (Basel, Switzerland)
|June 27, 2024
概括
这项研究引入了一种基于注意力的复杂频谱卷积神经网络 (atten-CCNN),以使用少数频道电脑脑图 (EEG) 信号来提高脑电脑接口 (BCI) 的性能. 这种新型模型增强了稳定状态视觉唤起潜能 (SSVEP) 识别,使可穿戴EEG设备更有效.
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
- 计算机科学 计算机科学
背景情况:
- 穿戴式脑电图 (EEG) 设备越来越多地用于脑电脑接口 (BCI),因为它们的便携性和可穿戴性.
- 传统的可穿戴EEG设备通常具有更少的通道,可能会降低BCI性能.
- 少数通道EEG设备可用于基于稳定状态视觉唤起潜力 (SSVEP) 的BCI,但存在性能限制.
研究的目的:
- 为了解决基于少数频道EEG的BCI的性能下降.
- 为增强SSVEP识别提出一种新的深度学习模型.
- 通过可穿戴EEG设备验证该模型的有效性.
主要方法:
- 开发了一种基于注意力的复杂频谱卷积神经网络 (atten-CCNN).
- 该模型将CNN与挤压激发块集成在一起.
- 模型的输入是EEG信号的频谱.
主要成果:
- 在可穿戴40类和公共12类SSVEP数据集上评估了atten-CCNN模型.
- 绩效在主体独立条件和主体依赖条件下进行评估.
- 在三通道和单通道EEGSSVEP识别方面,atten-CCNN显著优于基线模型.
结论:
- 该 atten-CCNN 模型有效地提高了 SSVEP-BCI 性能,使用了少数频道的 EEG 信号.
- 这种算法非常适合用于可穿戴EEG设备中的SSVEP识别.
- 拟议的方法提供了一个可行的解决方案,用于改进BCI应用程序的有限的EEG通道.
