CTNet:用于基于EEG的运动图像分类的卷积变压器网络
Wei Zhao1, Xiaolu Jiang2, Baocan Zhang2
1Chengyi College, Jimei University, Xiamen, 361021, China. zhaowei701@163.com.
Scientific reports
|August 30, 2024
概括
一个新的卷积变压器网络 (CTNet) 通过精确解码电脑图像 (EEG) 信号来改善脑电脑接口 (BCI) 的性能,用于运动成像 (MI) 任务,从而推进辅助技术.
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:
- 大脑与计算机接口 (BCI) 技术促进了大脑与机器之间的直接通信.
- 基于脑电图 (EEG) 的运动图像 (MI) 对BCI系统至关重要,但面临解码局限性.
- 现有的BCI方法难以应对EEG信号的复杂性和可变性.
研究的目的:
- 引入一个新的卷积变压器网络 (CTNet) 以加强基于EEG的MI分类.
- 为了提高BCI系统的解码精度和稳定性.
- 在BCI应用中为EEG信号解码建立一个新的基准.
主要方法:
- 开发了CTNet,集成用于局部特征提取的卷积模块和用于全球依赖性分析的变压器编码器.
- 在变压器编码器中使用多头注意力机制来捕获高级别的EEG特征.
- 使用完全连接的层来进行最终的EEG信号分类.
主要成果:
- CTNet实现了高的主题特定解码精度:82.52% (BCI IV-2a) 和88.49% (BCI IV-2b).
- CTNet在跨学科的表现强:58.64% (BCI IV-2a) 和76.27% (BCI IV-2b).
- 在专科和跨学科评估中,CTNet的表现优于最先进的方法.
结论:
- CTNet显著提高了EEG解码精度,用于运动图像的分类.
- 拟议的架构显示出在人机交互和康复方面推进BCI应用的巨大潜力.
- CTNet为EEG解码设定了新的标准,解决了BCI技术当前的局限性.
