紧卷积变压器用于对象独立的运动图像基于EEG的BCI
Aigerim Keutayeva1, Nail Fakhrutdinov2, Berdakh Abibullaev3
1Institute of Smart Systems and Artificial Intelligence (ISSAI), Nazarbayev University, Astana, 010000, Kazakhstan. aigerim.keutayeva@alumni.nu.edu.kz.
Scientific reports
|October 29, 2024
概括
这项研究介绍了EEGCCT,这是一种用于分析脑电图 (EEG) 数据在脑电脑接口 (BCI) 的新型深度学习模型. EEGCCT改进了运动图像分析,优于现有模型,从有限的数据中进行了增强的概括.
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:
- 脑电图 (EEG) 分析对于脑电脑接口 (BCI) 是至关重要的.
- 脑电图分析的挑战包括数据的复杂性和主体间的变化.
- 在EEG数据集中,有限的数据概括是常见的问题.
研究的目的:
- 介绍EEGCCT,用于运动图像EEG分析的紧卷积变压器模型.
- 提高对有限的EEG数据的概括能力.
- 提高BCI在学科独立的表现.
主要方法:
- 开发了EEGCCT,一个紧的卷积变压器架构.
- 对BCI竞争IV数据集2a和2b的验证模型.
- 采用了一个Leave-One-Subject-Out (LOSO) 交叉验证策略.
主要成果:
- EEGCCT在 EEGNet.com 等传统模型上表现出优越的性能.
- 比包括Conformer,Hybrid s-CViT和Hybrid t-CViT在内的先进型号取得了更好的结果.
- 用更少的参数达到70.12%的准确性,展示了增强的概括性.
结论:
- EEGCCT有效地解决了对运动图像任务的EEG数据分析的局限性.
- 该模型提供了改进的概括性和独立于主体的性能.
- 通过高效的EEG分析,EEGCCT代表了BCI发展的重大进步.
