使用基于FusionNet的LSTM网络对EEG手部运动进行分类
Li Ji1,2, Leiye Yi1,2, Chaohang Huang1,2
1School of Mechatronics Engineering, Shenyang Aerospace University, Shenyang, People's Republic of China.
Journal of neural engineering
|November 8, 2024
概括
这项研究介绍了FusionNet-LSTM,这是一种用于将脑电图 (EEG) 信号分类为脑电脑接口 (BCI) 的新方法. 该模型显著提高了手动分类的准确性,为先进的BCI应用铺平了道路.
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
- 机器学习 机器学习
背景情况:
- 精确的脑电图 (EEG) 信号分类对于大脑计算机接口 (BCI) 的发展至关重要.
- 现有的方法在手动EEG分类中与空间特征提取,时间依赖性和信号动态作斗争.
研究的目的:
- 引入一种新的多模型融合方法,即FusionNet-Long短期存储器 (LSTM),用于增强EEG信号分类.
- 为了解决空间特征提取,时间依赖性捕获和信号动态表示方面的局限性.
主要方法:
- 卷积神经网络 (CNN) 的集成用于空间特征提取.
- 对于时间依赖,利用封闭的反复单元 (GRU) 和长期短期记忆 (LSTM) 网络.
- 自动回归 (AR) 模型用于信号动态表示的应用.
- 使用渐变增强树来评估特征意义.
主要成果:
- 在跨主题的EEG分类中,FusionNet-LSTM实现了87.1%的准确性.
- 该模型在主体内EEG分类中达到99.1%的准确性.
- 与单个模型和最先进的方法相比,证明了实质性的改进.
结论:
- 多模型融合为EEG分类提供了显著的优势.
- 拟议的FusionNet-LSTM模型代表了BCI系统的高级分类方法.
- 这一进步对于BCI技术的未来发展至关重要.
