结合LinkNet-MBi-LSTM用于大脑活动识别,并具有新的Stockwell转换功能
Amruta Jagadish Takawale1,2, Ajay N Paithane3
1JSPM Rajarshi Shahu College Of Engineering, Tathawade, India.
概括
这项研究引入了一种新的LinkNet和修改的双向长期短期记忆 (LN-MBi-LSTM) 模型,用于从EEG波中识别大脑活动. 这种新的框架实现了高精度,为大脑活动检测提供了有前途的工具.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 从脑电图 (EEG) 波中识别大脑活动在神经科学和生物医学工程中至关重要.
- 使用信号处理和机器学习的传统方法在定位神经活动源的空间分辨率方面存在局限性.
- 正在探索深度学习 (DL) 方法,以克服基于EEG的脑活动识别中的这些限制.
研究的目的:
- 介绍一个新的混合框架,LinkNet和修改的双向长期短期记忆 (LN-MBi-LSTM) 模型,用于从EEG信号中增强大脑活动检测.
- 与传统方法相比,提高脑活动识别的精度和空间分辨率.
- 通过模拟和实验分析来验证拟议的框架.
主要方法:
- 使用改进的韦纳过 (IWF) 方法进行EEG信号预处理.
- 从预处理的EEG信号中提取特征.
- 使用结合LinkNet和修改双向长期短期记忆 (MBi-LSTM) 的混合模型对大脑活动进行分类.
主要成果:
- 拟议的LN-MBi-LSTM模型在大脑活动识别方面表现出了卓越的表现.
- 达到0.997的最高精度,优于其他模型.
- 通过模拟和实验计算的验证证实了模型的稳定性和准确性.
结论:
- 开发的LN-MBi-LSTM框架为大脑活动识别提供了强大且经过验证的解决方案.
- 该模型显示了神经科学和生物医学应用中的显著治疗潜力.
- 混合方法有效地解决了传统EEG分析中空间分辨率低的局限性.
