面向任务的EEG谴责生成对抗网络,以提高SSVEP-BCI性能
Pu Zeng1, Liangwei Fan1, You Luo1
1College of Intelligence Science and Technology, National University of Defense Technology, Changsha, People's Republic of China.
Journal of neural engineering
|October 21, 2024
概括
这项研究引入了一种新型的以任务为导向的EEG,以消除生成对抗网络 (TOED-GAN),以提高脑计算机接口 (BCI) 的性能. TOED-GAN方法有效地消除噪音,同时增强与任务相关的信号,显著提高稳定状态视觉唤起潜力 (SSVEP) BCI的准确性.
科学领域:
- 神经科学是一个神经科学.
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 脑电图 (EEG) 信号质量对于大脑与计算机接口 (BCI) 的性能至关重要.
- 现有的EEG拒绝方法往往忽略了对后续BCI任务的影响.
- 优化针对特定BCI任务的EEG denoising对于实际应用至关重要.
研究的目的:
- 开发和评估一种新的EEG无声化方法,以优化BCI任务性能.
- 通过保留与任务相关的组件和消除无关噪声来提高EEG信号的信号噪声比 (SNR).
主要方法:
- 提出了一个创新的以任务为导向的EEG,谴责生成对抗网络 (TOED-GAN).
- 利用GAN的发电机来进行信号分解和重建,以及区分器来区分干净和噪音信号.
- 在基于BCI的稳定状态视觉唤起潜力 (SSVEP) 中用于分类任务的法定相关性分析 (CCA).
主要成果:
- TOED-GAN在消除EEG噪声和提高SSVEP-BCI精度方面表现出卓越的性能.
- 与基线卷积神经网络方法相比,获得了18.47%和21.33%的精度改进.
- 在公开和自主收集的数据集上进行验证,证实模型的稳定性.
结论:
- 拟议的TOED-GAN是一种针对SSVEP任务量身定制的有效EEG拒绝方法.
- 这种特定任务的清除方法显著提高了基于SSVEP的BCI的性能.
- TOED-GAN有助于提高BCI在现实场景中的实际适用性.
