E-SAT:一种基于极端学习的机器自我注意方法,用于解码特定主题任务中的运动图像EEG
Muhammad Ahmed Ahmed Abbasi1, Hafza Faiza Abbasi1, Xiaojun Yu1
1Northwestern Polytechnical University, 1 Dongxiang Road, Chang'an District,, Northwestern Polytechnical University, Xi'an,, Xi'an,, Shaanxi, 710129, CHINA.
Journal of neural engineering
|October 7, 2024
概括
本研究介绍了一种基于极端学习机器 (ELM) 的自我注意力 (E-SAT) 机制,以提高脑计算机接口 (BCI) 性能,用于运动图像 (MI) 任务. 新的E-SAT方法显著提高了特定学科的分类准确性,超过了现有的最先进的方法.
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:
- 大脑-计算机接口 (BCI) 允许大脑与外部设备之间的直接通信,对辅助技术产生重大影响.
- 机器学习 (ML) 和深度学习 (DL) 模型在解码运动图像 (MI) 任务中提高了BCI性能.
- 对于BCI而言,现有的ML/DL模型面临着诸如广泛的培训时间和对噪声的敏感性等局限性,阻碍了快速发展.
研究的目的:
- 提出一种新的基于极端学习机器 (ELM) 的自我注意力 (E-SAT) 机制,以提高BCI中的学科特定分类性能.
- 解决现有模型的局限性,包括长时间的培训时间和对噪音和异常值的敏感性.
- 改进BCI系统中的自我注意模块的概括能力和参数初始化.
主要方法:
- 开发了一个集成ELM的E-SAT机制,以改进自我注意力概括和参数初始化.
- 在端到端框架内使用ELM进行特征提取和分类.
- 在多个动力图像 (MI) EEG信号数据集上评估了E-SAT性能,包括BCI竞争III和IV数据集.
主要成果:
- 与最先进的方法相比,E-SAT在所有测试的数据集中展示了优越的特定学科分类性能.
- 实现了高平均分类准确率:99.8% (BCI Comp III IV-a),99.1% (IV-b),98.9% (BCI Comp IV 1),75.8% (2a),90.8% (2b) 和95.4% (3).这些分类准确率均为99.8% (BCI Comp III IV-a),99.1% (IV-b),98.9% (BCI Comp IV 1),75.8% (2a),90.8% (2b),以及95.4% (3).这些分类准确率均为99.8% (BCI Comp III IV-a),99.1% (IV-b),98.9% (BCI Comp IV 1),75.8% (2a),90.8% (2b),以及95.4% (3).这些分类准确率均为99.8% (BCI Comp III IV-a),99.1% (IV-b),98.9% (BCI Comp IV 1),98.9% (BCI Comp IV 1),75.8% (2a),90.8% (2b) 和95.4% (3).这些分类准确率均为99.8%
- E-SAT在特征提取,二进制/多类分类方面表现出色,并且在杂和非杂的数据集上表现出色.
结论:
- 拟议的E-SAT机制显著提高了动力图像任务的BCI性能.
- E-SAT提供了一个强大而有效的解决方案,克服了当前BCI模型的局限性.
- 这些发现突显了E-SAT在各种应用中推进BCI技术的潜力.
