增强的哈里斯·霍克斯混杂的牧羊人优化增强的深度学习基于大脑计算机接口的运动图像分类
Fatmah Yousef Assiri1, Mahmoud Ragab2
1Software Engineering Department, College of Computer Science and Engineering, University of Jeddah, Jeddah, Saudi Arabia.
PloS one
|November 21, 2024
概括
这项研究引入了一种新的深度学习方法,用于大脑与计算机接口中的运动图像分类. 增强的哈里斯·霍克斯混合的牧羊人优化增强深度学习 (BHHSHO-DL) 技术显著提高了辅助技术的准确性.
科学领域:
- 神经科学和人工智能 人工智能
- 大脑与计算机接口 (BCI)
- 机器学习用于神经信号处理
背景情况:
- 运动图像 (MI) 分类对于脑计算机接口 (BCI) 至关重要,使运动障碍患者能够控制外部设备.
- 目前的BCI经常使用电脑图 (EEG) 和机器学习 (ML) 来解释MI任务期间的大脑活动模式.
- 先进的深度学习 (DL) 模型越来越多地用于提高MI分类的准确性和稳定性.
研究的目的:
- 为了介绍一本新的Boosted Harris Hawks Shuffled Shepherd优化增强深度学习 (BHHSHO-DL) 技术,用于BCI中的运动图像分类.
- 利用超参数调整的深度学习来改善MI识别和BCI性能.
- 通过先进的BCI技术,增强运动残疾人的沟通和流动性.
主要方法:
- 使用波段包分解 (WPD) 进行数据预处理.
- 通过增强的DenseNet (密集连接网络) 提取功能.
- 使用增强的哈里斯·霍克斯混合的牧羊人优化 (BHHSHO) 的超参数优化.
- 使用卷积自编码器 (CAE) 进行分类.
主要成果:
- 在基准数据集上,BHHSHO-DL方法取得了卓越的分类准确性.
- 在BCIC-III数据集上达到98.15%的准确性,在BCIC-IV数据集上达到92.23%的准确性.
- 与现有技术相比,表现出显著的性能改进.
结论:
- BHHSHO-DL技术为BCI中的运动图像分类提供了一个高度准确和有效的方法.
- 这种先进的方法有望改善BCI的功能和可用性,用于辅助目的.
- 该研究强调了将元启发优化与深度学习整合为复杂的神经信号分析的潜力.
