基于深度学习的在线EEG脑电脑接口的持续追踪数据集
Dylan Forenzo1, Hao Zhu1, Bin He2
1Department of Biomedical Engineering, Carnegie Mellon University, Pittsburgh, USA.
Scientific data
|November 20, 2024
概括
这项研究引入了大脑计算机接口 (BCI) 研究的大数据集,重点关注用于持续追求任务的深度学习. 这些数据支持为现实应用开发先进的BCI解码算法.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 传统的大脑-计算机接口 (BCI) 任务通常使用静止目标,限制了现实世界的适用性.
- 深度学习 (DL) 在BCI中显示出希望,但通常会分析离线数据.
- 连续追踪 (CP) BCI需要高级解码来实现动态目标跟踪.
研究的目的:
- 为在线持续追求 (CP) BCI研究提供一个全面的数据集.
- 促进CP BCI新型深度学习 (DL) 算法的开发.
- 推进基于EEG的BCI在现实世界中的应用.
主要方法:
- 从28名受试者收集了168小时的脑电图 (EEG) 数据.
- 实验涉及使用机动图像 (MI) 在线连续追求任务.
- 在数据采集过程中使用了基于DL的在线解码器.
主要成果:
- 数据集包括广泛的,专题数据,适合训练DL模型.
- 为BCI和机器学习研究人员提供了宝贵的资源.
- 允许对复杂,动态的BCI控制范式进行DL的调查.
结论:
- 该数据集对BCI研究社区做出了重大贡献.
- 它将加速开发更复杂的BCI解码算法.
- 旨在弥合当前BCI技术与实际,现实世界的应用之间的差距.
