从快速事件EEG解码大脑信号用于使用深度学习进行视觉分析
Madiha Rehman1, Humaira Anwer1, Helena Garay2,3,4
1Institute of Computer Science, Khwaja Fareed University of Engineering & Information Technology, Rahim Yar Khan 64200, Pakistan.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
研究人员开发了一个深度学习模型来解码脑电图 (EEG) 信号,用于视觉对象识别. 该模型在分类40个对象类中实现了33.17%的准确性,大大改善了现有方法.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 对象识别对于环境交互至关重要,但对此任务的脑信号解码具有挑战性.
- 高噪音和电脑电图 (EEG) 信号的复杂,非静止性质导致视觉分类的准确性较低.
- 现有的研究探讨了时间刺激设计和信号复杂性作为限制准确性的因素.
研究的目的:
- 开发一种深度学习模型,使用EEG信号来解码受试者对快速事件视觉刺激的反应.
- 确定导致基于EEG的视觉分类任务准确度低的关键因素.
- 提高对大量对象类别的EEG视觉分类的准确性.
主要方法:
- 提出了一种包含特征融合 (MCCFF) 的多类,多道深度学习模型.
- 将模型应用于最大的公开可用的EEG数据集以进行视觉分类 (40个对象类,每个1000个图像).
- 评估模型的性能与当代最先进的方法相比.
主要成果:
- 拟议的MCCFF模型实现了对40个对象类的分类准确率为33.17%.
- 这比以前对类似数据集的研究所达到的最大精度为17.6%有了显著的改善.
- 该模型通过集成的特征融合有效处理复杂的,非静止的EEG信号.
结论:
- 开发的深度学习模型证明了EEG信号在推进视觉分类方面的潜力.
- MCCFF方法提供了一种有希望的方法来解码与视觉感知相关的复杂大脑活动.
- 结果表明未来的应用在开发由大脑信号驱动的先进视觉机器模型.
