一种基于时空特征的运动图像的新型识别和分类方法
IEEE journal of biomedical and health informatics
|October 7, 2024
概括
本研究介绍了一种使用功能性脑网络和图形卷积网络进行运动图像EEG信号分类的新型脑电脑接口模型. 该模型实现了高精度,在康复应用中表现优于传统方法.
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
- 计算机科学 计算机科学
背景情况:
- 运动图像中的脑电图 (EEG) 信号是非静止的,信号噪声比较低,这对脑电脑接口 (BCI) 构成挑战.
- 从运动图像EEG精确的特征提取对于医疗康复中有效的BCI至关重要.
研究的目的:
- 提出一种新的运动图像EEG信号分类模型.
- 为了提高医疗康复应用的BCI的准确性和稳定性.
主要方法:
- 使用各种大脑功能连接指标构建功能性大脑网络.
- 计算图形理论功能用于分析不同运动任务期间的大脑网络特征.
- 采用图形卷积网络 (GCNs) 来根据功能性大脑网络对运动图像任务进行分类.
主要成果:
- 拟议的模型在Physionet数据集上的多主体分类中实现了88.39%的准确性,超过了传统方法.
- 在单个受试者条件下,该模型达到99.31%的平均准确性,有效地处理个人变化.
- 分析显示,与其他运动图像任务相比,在"两拳"任务中,功能连接强度显著更高.
结论:
- 功能性大脑网络和GCN模型的结合表明,在运动图像分类方面表现优越.
- 这些发现为不同运动任务和大脑区域的功能连接模式提供了新的见解.
- 这种方法具有很大的潜力,可以在医疗康复中推进BCI.


