FDCN-C:基于频率增强,可变形卷积网络和电脑图像运动图像分类作物模块的深度学习模型

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
• 机器学习 机器学习

背景情况:

• 运动图像 (MI) 电脑脑图像 (EEG) 解码对于脑电脑接口 (BCI) 至关重要,使运动残疾人能够进行交流.
• 目前用于EEG解码的深度学习 (DL) 方法在有效利用时间和频率域特征方面存在局限性,导致MI分类不足.
• 需要先进的模型,可以增强来自EEG信号的特征提取,以提高BCI性能.

研究的目的:

• 提出一种新的基于EEG的MI分类模型,称为FDCN-C,旨在克服现有方法的局限性.
• 加强从EEG信号中提取和利用频率和时间特征,以便更准确地进行MI分类.
• 使用公共数据集验证拟议的FDCN-C模型的有效性,并将其性能与最先进的方法进行比较.

主要方法:

• 拟议的FDCN-C模型集成了频率增强模块和注意力机制,以捕捉各种频段特征.
• 一个可变形的卷积网络被用于通过自适应调节卷积内核大小来提取先进的时间特征.
• 空间信息是使用1D卷积层集成的,并且带有扩展卷积的作物模块增强了跨各种受体场的特征表示.

主要成果:

• 与现有的最先进的方法相比,FDCN-C模型在两个公共数据集上显示出更高的MI分类准确性.
• 与基线模型相比,拟议的模型在准确度方面取得了14.01%的显著改进.
• 废弃性研究证实了FDCN-C模型中每个成分的个别贡献和有效性.

结论:

• FDCN-C模型代表了基于EEG的BCIMI分类的重大进步.
• 创新的频率增强和可变形卷积模块有效地解决了以前方法的局限性.
• 拟议的模型提供了增强的性能,为更强大,更有效的脑机接口铺平了道路.