整合空间和时间特征,以便在多通道EEG录制中更好地去除人工物
Jin Yin1, Aiping Liu1, Lanlan Wang2
1The Department of Electronic Engineering and Information Science, University of Science and Technology of China, Hefei, Anhui 230027, People's Republic of China.
Journal of neural engineering
|September 9, 2024
概括
这项研究引入了一种新的深度学习网络,即时空间融合网络 (STFNet),通过利用道间关系来改善电脑电图 (EEG) 信号否定. STFNet显著提高了脑电脑接口的无声化性能和准确性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 电脑电图 (EEG) 中的人工物阻碍了大脑计算机接口 (BCI) 应用.
- 深度学习方法对EEG的否定有希望,但往往忽视了道间的关系.
- 现有的方法通常通过道处理EEG信号,错过关键的空间相关性.
研究的目的:
- 提出一个新的深度学习网络,该网络明确地模拟了EEG信号中的通道间关系,以加强对噪音的检测.
- 通过解决信号工件来提高基于EEG的BCI的性能和现实应用性.
- 调查整合空间和时间特征对更有效的EEG信号处理的影响.
主要方法:
- 开发了时空融合网络 (STFNet),这是一个新的深度学习架构.
- 集成了一种自我注意机制,以明确模拟道间的关系.
- 采用堆叠的多维特征提取器来捕获EEG数据中的时间依赖性和空间相关性.
主要成果:
- 与公开基准的现有方法相比,STFNet实现了相对根平均平方误差的24.27%降低.
- 在交叉数据集场景中表现出卓越的报销性能和有效性.
- 提高了下游分类任务的准确性1.40%,并显示了CPU上的高效处理.
结论:
- 显式建模道间的关系显著提高了EEG消音性能.
- 整合空间和时间特征对于有效的EEG信号处理至关重要.
- STFNet的计算效率使其适合实时BCI应用和在现实的环境中部署.
