通过机器学习增强运动图像EEG信号解码:最近进展的系统审查
Ibtehaaj Hameed1, Danish M Khan2, Syed Muneeb Ahmed1
1Department of Telecommunications Engineering, NED University of Engineering and Technology, Karachi, Pakistan.
Computers in biology and medicine
|December 13, 2024
概括
本综述探讨了用于解码电脑电图 (EEG) 信号的深度学习在运动图像中,以帮助运动残疾人. 它总结了最近的数据集,方法和模型,以推进脑计算机接口 (BCI).
科学领域:
- 神经科学是一个神经科学.
- 深度学习 (Deep Learning) 是一种深度学习.
- 生物医学工程 生物医学工程
背景情况:
- 脑电图 (EEG) 是测量大脑活动的关键非侵入性工具,因为它具有很高的时间分辨率,可用性和安全性.
- 使用EEG信号的脑电脑接口 (BCI) 为运动残疾和神经障碍患者提供了一种新的沟通途径.
- 基于EEG的BCI用于运动图像识别的现实应用面临诸如个体间变异性和低信号噪声比 (SNR) 等挑战.
研究的目的:
- 系统地审查神经科学和深度学习的交叉点,以解码运动图像EEG信号.
- 提供自2017年以来发表的综合研究摘要,重点关注数据集,预处理,特征提取和深度学习模型.
- 为研究人员和从业人员提供资源,旨在改进基于EEG的BCI系统,以帮助运动残疾人.
主要方法:
- 从2017年开始对研究进行系统性文献综述.
- 专注于分析用于运动图像EEG信号解码的数据集.
- 检查BCI研究中应用的预处理技术,特征提取方法和深度学习架构.
主要成果:
- 确定了基于EEG的运动图像的深度学习应用中的关键趋势和方法.
- 突出了在现场使用的常见数据集和预处理管道.
- 总结了各种深度学习模型及其在BCI应用中的性能.
结论:
- 深度学习在解码运动图像EEG信号方面显示出显著的希望,用于BCI应用.
- 解决信号变化和SNR方面的挑战对于实际的BCI实施至关重要.
- 本综述为推进大脑与计算机接口的发展提供了见解,将人类认知与机器交互相结合.
