基于BCI-EEG解码的相位空间的几何神经网络

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:

• 深度学习 (DL) 在脑计算机接口 (BCI) 中的整合落后于其他领域.
• 电脑电图 (EEG) 是BCI常见的,但受到有限的数据和噪声的影响.
• 目前使用多个电极的BCI系统是繁的,阻碍了广泛采用.

研究的目的:

• 开发一个DL算法,以最少的电极有效的BCI.
• 为了提高用户的舒适性和BCI系统的采用.
• 为了提高运动图像 (MI) 解码性能.

主要方法:

• 提出了Phase-SPDNet架构,结合了增强协差方法和SPDNet.
• 在3个电极上使用5倍交叉验证对运动皮层进行性能评估.
• 在使用"所有BCI基准框架之母"的开源数据集中对近100名受试者进行了测试.

主要成果:

• 在MI解码方面,Phase-SPDNet显著超过了最先进的DL架构.
• 增强方法与SPDNet相结合,表现出卓越的性能.
• 拟议的架构通过有限的电极实现了高精度.

结论:

• 阶段-SPDNet为BCI提供了一个可解释的DL解决方案.
• 架构需要很少的可训练参数.
• 这种进步使BCI系统更加舒适和可靠.