通过选择性通道表示和光谱图像等同时进行EEG-fNIRS数据分类
Chayut Bunterngchit1,2, Jiaxing Wang1, Zeng-Guang Hou1
1State Key Laboratory of Multimodal Artificial Intelligence SystemsInstitute of Automation, Chinese Academy of Sciences Beijing 100190 China.
IEEE journal of translational engineering in health and medicine
|September 9, 2024
概括
这项研究引入了一种新的深度学习模型,即多式联网DenseNet融合 (MDNF),用于脑计算机接口 (BCI). MDNF模型有效地结合了脑电图 (EEG) 和功能近红外光谱 (fNIRS) 数据,显著提高了BCI的准确性.
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
- 人工智能的人工智能
背景情况:
- 脑计算机接口 (BCI) 电脑脑学 (EEG) 和功能近红外光谱学 (fNIRS) 的整合显示出有前途.
- 现有的BCI在高效的特征选择方面扎,低利用EEG的时间和fNIRS的空间数据.
- 这限制了当前EEG-fNIRS BCI系统的性能和多功能性.
研究的目的:
- 开发一种新的深度学习模型,用于在EEG-fNIRS BCI中增强特征提取和融合.
- 解决当前方法在充分利用多式联络神经成像数据的全部潜力的局限性.
- 提高分类的准确性和适用于各种认知和运动任务的适用性.
主要方法:
- 提出了多式联网DenseNet融合 (MDNF) 深度学习架构.
- 将EEG数据转换为2D图像,使用短时间里埃变换.
- 综合光谱增强的EEG特征与使用转移学习的fNIRS衍生的光谱特征.
主要成果:
- 与现有的最先进的方法相比,MDNF模型在两个公共数据集上表现出更高的性能.
- 通过有效利用EEG和fNIRS的时间和空间特征,实现了高分类准确性.
- 验证了该模型在提高BCI性能方面对各种认知和运动图像任务的有效性.
结论:
- 通过克服特征选择挑战,MDNF模型为EEG-fNIRS BCI研究提供了重大进展.
- 它的高精度和精确的特征利用显示了临床神经诊断和康复的潜力.
- 用先进的BCI技术为开发特定患者的治疗策略铺平了道路.
