基于EEG的特征分类将3D卷积神经网络与运动图像的生成对立网络相结合

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:

• 卷积神经网络 (CNN) 越来越多地用于基于脑电图 (EEG) 的运动图像 (MI) 在脑计算机接口 (BCI) 中的解码.
• 由于EEG信号的个体和时间变化,有效的MI特征提取是至关重要的.

研究的目的:

• 引入一种新的3D卷积神经网络生成对抗网络 (3D-CNN-GAN) 来解码运动图像.
• 通过改进特征提取和数据增强,提高基于EEG的BCI的概括性和性能.

主要方法:

• 脑电图信号使用滑动窗进行处理,以捕捉时间,频率和相位特征,形成一个3D特征图.
• 生成对抗性网络 (GAN) 合成人工数据以增加数据集并增强功能连接.
• 开发了一个紧的3D-CNN模型来解码生成的时间频相特征 (TFPF) 地图.

主要成果:

• 与3D-CNN-GAN模型相比,3D-CNN-GAN模型在GigaDB (77.03%) 和SHU (71.63%) 数据集上实现了两类更好的会话内运动图像准确性.
• 3D-CNN-GAN还在SHU数据集上显示了增强的跨会话运动图像准确性 (63.04%).
• 结果表明,GAN对EEG解码的数据增强和特征放大是有效的.

结论:

• 3D-CNN-GAN算法显著提高了基于EEG的运动图像BCI的概括性.
• 这种方法为推进运动图像BCI应用和性能提供了有价值的见解.