基于深度学习网络的EEG和fNIRS的决策融合模型用于认知任务的分类
Md Hasin Raihan Rabbani1, Sheikh Md Rabiul Islam1
1Khulna University of Engineering and Technology, Khulna, Bangladesh.
Cognitive neurodynamics
|August 6, 2024
概括
这项研究结合了脑电图 (EEG) 和功能近红外光谱学 (fNIRS) 数据,使用深度学习进行认知任务检测. EEG和fNIRS的决策融合显著提高了分类准确性,优于单个模式.
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:
- 认知任务检测对于脑计算机接口 (BCI),神经障碍诊断和神经康复至关重要.
- 结合脑电图 (EEG) 和功能近红外光谱 (fNIRS),可以提高对单一模式的分类性能.
- 深度学习 (DL) 在分类像EEG和fNIRS这样的大型时间序列数据集方面表现出色.
研究的目的:
- 评估EEG和fNIRS之间的决策融合在使用DL网络进行认知任务分类的有效性.
- 为了比较各种DL分类器的性能,用于分类单个和合并的EEG-fNIRS数据.
- 评估两个不同的开源数据集的性能.
主要方法:
- 使用了两个开源数据集 (数据集01: 26个受试者,3个任务;数据集02: 29个受试者,2个任务),同时进行EEG和fNIRS记录.
- fNIRS数据被处理成氧化血红蛋白 (HbO2) 和脱氧化血红蛋白 (HbR).
- 七个DL分类器 (CNN,LSTM,GRU,CNN-LSTM,CNN-GRU,LSTM-GRU,CNN-LSTM-GRU) 用于对EEG,fNIRS和决策融合的EEG-fNIRS数据进行分类.
主要成果:
- 决策融合在两个数据集中始终优于单模分类.
- 数据集01使用CNN-LSTM-GRU决策融合实现了96%的最大准确度和100%的AUC.
- 数据集02使用CNN-LSTM决策融合实现了82.76%的最大精度和90.44%的AUC.
结论:
- 与单个模式相比,EEG和fNIRS的决策融合显著提高了认知任务检测的准确性.
- 特定的DL架构,即CNN-LSTM-GRU和CNN-LSTM,在各自的数据集中展示了融合数据的卓越性能.
- 这些发现支持将EEG和fNIRS与DL集成,以进行强大的认知状态监测.
