运动图像的分类算法融合了CNN和基于功能近红外光谱学脑图像的注意力机制

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
• 信号处理 信号处理

背景情况:

• 大脑-计算机接口 (BCI) 正在发展,需要更好地分析大脑信号.
• 运动图像 (MI) 是使用思想生成信号的关键BCI范式.
• 功能近红外光谱 (fNIRS) 为BCI提供非侵入性,具有成本效益的脑成像,但目前的分类准确性有限.

研究的目的:

• 为了提高fNIRS信号对BCI的分类准确性.
• 为fNIRS信号分析提出一种融合卷积神经网络 (CNN) 和注意力机制的新方法.
• 通过使用fNIRS数据,对运动图像和心理算术任务进行验证拟议的方法.

主要方法:

• 使用修改的尔-兰伯特定律,衍生氧化血红蛋白 (HbO) 和脱氧化血红蛋白 (HbR) 度变化.
• 应用了CNN注意力融合模型来分析fNIRS信号.
• 在29名健康受试者执行运动图像和心理算术任务的数据集上验证了模型.

主要成果:

• 实现了MI信号 (HbR) 的平均分类精度为85.92%和86.21% (HbO).
• 实现了89.66%的精神算术 (MA) 信号 (HbR) 和88.79% (HbO) 的平均分类准确度.
• 展示了一种轻量级模型,可以提高当前BCI fNIRS信号分类准确度.

结论:

• 拟议的CNN注意力融合方法有效地增强了fNIRS对BCI的信号分类.
• 这种方法为提高BCI性能提供了一个有希望的,轻量级的解决方案.
• 这些发现有助于推进基于fNIRS的实用脑计算机接口.