引起注意的双卷积囊网络 (AIDC-CN):用于运动图像分类的深度学习框架
Ritesh Sur Chowdhury1, Shirsha Bose2, Sayantani Ghosh1
1Artificial Intelligence Laboratory, Department of Electronics and Telecommunication Engineering, Jadavpur University, Kolkata, 700032, West Bengal, India.
Computers in biology and medicine
|October 19, 2024
概括
这项研究引入了一种新的注意力诱导双卷积囊网络 (AIDC-CN),用于解码运动成像 (MI) 期间的脑电图 (EEG) 信号. 在分类MI任务方面,AIDC-CN在现有方法中表现出了优越的性能.
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
- 人工智能的人工智能
背景情况:
- 基于脑电图 (EEG) 的运动图像 (MI) 解码对于辅助技术至关重要,但由于信号复杂性和噪声,它面临着挑战.
- 深度学习模型越来越多地用于EEG信号解码,但为了提高准确性,需要取得进展.
研究的目的:
- 引入一种新的深度学习分类器,即注意力诱导双卷积囊网络 (AIDC-CN),用于准确的运动图像分类.
- 通过使用光谱图和大脑连接网络采用双重特征提取方法来提高EEG解码性能.
主要方法:
- 开发了注意力诱导双卷积囊网络 (AIDC-CN),包括双卷积层,自我注意模块 (SAM),交叉注意模块 (CAM) 和基于GELU的动态路由算法.
- 利用双重特征提取策略,将光谱图和大脑连接网络结合起来,以丰富分类的特征集.
- 在四个公开可用的数据集上评估了AIDC-CN模型.
主要成果:
- 拟议的AIDC-CN模型在四个公共数据集中,与最先进的技术相比,实现了更高的性能.
- 双重特征提取,注意力机制和囊网络的整合显著改善了运动图像分类的准确性.
- 新的架构组件,包括基于SAM,CAM和GELU的路由,有效地解决了EEG信号解码的挑战.
结论:
- AIDC-CN代表了基于EEG的运动图像解码的深度学习的重大进步.
- 该模型在准确分类运动图像任务中的有效性突显了其在辅助机器人技术和神经康复中的应用潜力.
- 这项研究为复杂的EEG信号分析提供了强大而高性能的深度学习框架.
更多相关视频
09:42Author Spotlight: Using Motor Imagery Brain-Computer Interface to Improve Motor and Cognitive Function in Stroke Patients
Published on: September 1, 2023
1.1K
11:31Functional Near Infrared Spectroscopy of the Sensory and Motor Brain Regions with Simultaneous Kinematic and EMG Monitoring During Motor Tasks
Published on: December 5, 2014
15.1K
