一个零精度损失框架用于EEG通道选择:提高效率并保持可解释性

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
• 机器学习 机器学习

背景情况:

• 使用运动图像的脑电脑接口 (BCI) 系统通常需要许多脑电图 (EEG) 通道.
• 选择最佳的EEG通道组合对于计算效率和实际BCI应用至关重要.
• 对所有通道组合的详尽评估在计算上是不可行的.

研究的目的:

• 开发一种有效的策略,以减少BCI系统中的EEG通道,同时最大限度地减少精度损失.
• 在最大限度地减少通道和保持高分类准确性之间实现平衡.
• 增强基于运动图像的BCI的实际应用.

主要方法:

• 开发了一个时空注意力感知网络 (STAPNet).
• 提出了一种扩展步骤双向搜索策略,包括可变比率通道选择 (VRCS) 和步行贪的通道选择 (SGCS).
• 利用热图可视化来分析频道的重要性和对称性.

主要成果:

• 平均最高准确度为91.47% (高马数据集) 和84.17% (BCI竞争IV 2a数据集).
• 证明了最大通道缩小率为87.5%,没有精度损失.
• 验证了数据集中选择的最佳道组合的普遍重要性和对称性.

结论:

• 在不影响准确性的情况下,STAPNet和拟议的搜索策略有效地减少了BCI系统中的EEG通道.
• 这些发现表明,优化道选择可以提高BCI的效率和实际使用.
• 选择的通道组合反映了大脑在处理双手任务中的合作机制.