EEG-VTTCNet:基于视觉变压器和时间卷积网络的损失联合训练模型,用于基于EEG的运动图像分类
Xingbin Shi1, Baojiang Li1, Wenlong Wang1
1The School of Electrical Engineering, Shanghai Dianji University, Shanghai 201306, China; Intelligent Decision and Control Technology Institute, Shanghai Dianji University, Shanghai 201306, China.
Neuroscience
|August 5, 2024
概括
本研究介绍了EEG-VTTCNet,这是一个新的脑计算机接口 (BCI) 模型,使用视觉变压器和时卷积网络来解码运动图像电脑脑图像 (MI-EEG) 信号. 该模型实现了最先进的准确性,增强了BCI应用程序.
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:
- 大脑-计算机接口 (BCI) 允许大脑与外部设备之间的直接通信.
- 运动成像电脑图像 (MI-EEG) 信号是BCI系统在康复和人机交互中的关键.
- 由于数据质量和个体变异性,解码MI-EEG信号具有挑战性.
研究的目的:
- 开发一个高效的深度学习网络,用于准确的MI-EEG信号分类.
- 解决噪声和EEG数据变化的挑战,以提高BCI性能.
主要方法:
- 一个新的损失联合培训模型,EEG-VTTCNet,集成视觉变换器 (ViT) 和时间卷积网络 (TCN).
- 使用共享卷积策略和双分支架构来进行互补的学习.
- 在BCI竞争IV-2a和IV-2b数据集上进行测试.
主要成果:
- 在主体依赖模式中实现了高精度:在数据集IV-2a上达到84.58%,在数据集IV-2b上达到90.94%.
- 超越了MI-EEG分类的现有最先进方法.
- t-SNE可视化证实了特征提取框架的有效性.
结论:
- 拟议的EEG-VTTCNet在解码MI-EEG信号方面表现出卓越的性能.
- 网络架构强大且可通用,显示了高级BCI应用程序的前景.
- 这项工作有助于克服BCI系统MI-EEG信号处理的关键挑战.


