通过剩余图形卷积网络和多特征融合增强运动图像分类
Fangzhou Xu1, Weiyou Shi1, Chengyan Lv1
1International School for Optoelectronic Engineering, Qilu University of Technology (Shandong Academy of Sciences), Jinan 250353, P. R. China.
International journal of neural systems
|November 19, 2024
概括
这项研究引入了一种新的M-ResGCN框架,使用修改的S转换和自我注意力来进行中风康复中的运动图像EEG分类. 该方法显著提高了对大脑与计算机接口的脑信号分类的准确性和稳定性.
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:
- 脑卒中康复越来越多地使用基于运动图像 (MI) 的脑电脑接口 (BCI) 系统.
- 分析中风患者的脑电图 (EEG) 信号在准确性和效率方面存在重大挑战.
研究的目的:
- 开发一个先进的框架,以改善脑电图分类在基于MI的中风患者的BCI中.
- 提高EEG信号分析用于中风康复的准确性和效率.
主要方法:
- 提出了一个新的M-ResGCN框架,将修改后的S转换 (MST) 集成到一个剩余图卷积网络 (ResGCN) 中,用于时间频率特征提取和自我注意.
- 使用绝对皮尔森相关系数 (aPcc) 来构建大脑网络的相邻矩阵,反映道连接.
- 将框架应用于来自16名中风患者和16名健康受试者的EEG数据.
主要成果:
- 获得了最高的分类准确率94.91%,卡帕系数为0.8918.
- 在测试和受试者之间在分类质量和稳定性方面取得了显著的改进.
- 10x10倍交叉验证的平均准确率为94.38%,F1得分为94.36%.
结论:
- 拟议的M-ResGCN框架有效地增强了基于MI的BCI的EEG信号分析和特征编码.
- 使用aPcc构建的大脑网络准确地反映了整体的大脑活动,验证了它在EEG分析中的实用性.
- 该方法为中风康复BCI系统的实时应用提供了一个有希望的方法.
