多尺度的时空特征融合神经网络用于运动图像的大脑-计算机接口

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:

• 运动图像是脑电脑接口 (BCI) 的关键范式,对辅助技术至关重要.
• 目前对运动图像信号的深度学习解码方法受到单级卷积的限制,阻碍了信息提取.
• 有效和稳定的BCI相互作用严重依赖于运动图像的精确解码.

研究的目的:

• 提出一个新的端到端卷积神经网络,MSTFNet,用于增强运动图像的EEG分类.
• 解决现有的深度学习模型中单级卷曲的局限性.
• 为了提高解码机动图像信号的准确性和稳定性,用于BCI应用.

主要方法:

• 开发了MSTFNet,一个卷积神经网络,具有多尺度的时空特征融合.
• MSTFNet包含特征增强,多尺度时间特征提取,空间特征提取和特征融合模块.
• 实施了数据增强策略,以提高模型性能,并进行了交叉会议和离开一个受试者的实验以进行验证.

主要成果:

• 在BCI竞争IV 2a和2b数据集上,MSTFNet的准确率分别为83.62%和89.26%.
• 在实验室数据集上获得了86.68%的准确性,在BCI竞争IV 2a的离开一个主体的实验中达到66.31%的准确性.
• 与几种最先进的方法相比,在解码运动图像的EEG信号方面表现出卓越的性能.

结论:

• 在运动成像任务中,MSTFNet有效地解码电脑电图 (EEG) 信号.
• 多尺度的时空特征融合方法增强了从运动图像信号中提取信息的方法.
• 拟议的模型显示强大的能力和潜在的先进的BCI应用程序.