基于深度神经网络的经验模式分解用于运动图像的EEG分类

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
• 信号处理 信号处理

背景情况:

• 运动图像 (MI) 检测依赖于电脑电图 (EEG) 信号.
• 由于人工物,EEG信号的信号噪声比率 (SNR) 较低,阻碍了MI的准确分类.
• 经验模式分解 (EMD) 改善了MI检测,但受到模式混合的影响,频率组件交织在一起.

研究的目的:

• 介绍Deep-EMD,一个深度神经网络算法,旨在克服EMD中的模式混合问题.
• 提高EEG信号的信号噪声比 (SNR),以改善运动图像的分类.
• 通过使用两个数据集,评估Deep-EMD与传统EMD算法的有效性.

主要方法:

• 开发了Deep-EMD算法,一种深度神经网络方法.
• 深度EMD对来自运动图像任务的EEG信号的应用.
• 对两个不同的数据集进行深度EMD与传统EMD方法的比较分析.

主要成果:

• 深度EMD有效地减轻了分解的EEG组件中的模式混合问题.
• 拟议的算法在运动图像分类性能方面取得了显著的改进.
• 实验结果证实了Deep-EMD在提高SNR和分类准确性方面比传统EMD算法优越.

结论:

• 深度EMD为EEG分析的EMD中持续模式混合问题提供了强大的解决方案.
• 这一进步显著提高了运动图像分类的准确性.
• 深度EMD有望提高依赖EEG信号的脑电脑接口的性能.