使用原始EEG信号进行视觉分类的混合本地-全球神经网络
Shuning Xue1,2, Bu Jin2, Jie Jiang2
1The School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, 100049, China.
Scientific reports
|November 7, 2024
概括
这项研究介绍了一种新的混合本地-全球神经网络,用于使用脑电图 (EEG) 大脑计算机接口 (BCI) 解码视觉信息. 新模型有效处理原始EEG信号,在各种数据集上表现优于现有方法.
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) 显示出从EEG信号中解码视觉信息的前景.
- 人工神经网络 (ANN) 已被应用于对EEG数据进行分类,但在从原始信号中提取特征时,通常表现不佳于传统方法.
- 目前基于ANN的方法通常在有限的数据集和低采样率上进行评估,这限制了深度学习模型的潜力.
研究的目的:
- 开发一种先进的神经网络架构,用于对原始EEG信号进行端到端的训练,从而消除了对手工制造的特征的需求.
- 提高基于EEG的BCI在视觉信息解码中的性能,特别是在高采样率设置中.
- 创建一个强大的深度学习框架,能够处理各种EEG数据集和采样率.
主要方法:
- 设计了一种混合本地-全球神经网络,其中包含一个重权模块,用于自适应性通道权重.
- 开发了本地和全球特征提取模块,以捕获基本的EEG信号特征.
- 实施了空间集成和特征融合模块,以增强信息处理和特征提取,特别是在高采样率下.
主要成果:
- 拟议的模型在已建立的小规模EEG数据集上实现了最先进的性能.
- 它在三个尚未探索的大规模数据集上表现优于基线方法.
- 废弃性研究证实了单个模块在不同数据集和采样率中提供的一致性性能改善.
结论:
- 混合本地-全球神经网络为基于EEG的BCI提供了一个强大的端到端学习框架.
- 该模型有效地从原始EEG信号中解码视觉信息,而不需要手动功能工程.
- 拟议的架构在各种数据集和采样率中显示了显著的改进和适应性.
