基于多级频域特征的动态图表注意力网络,用于半患者的运动图像解码.
Yinan Wang1,2, Lizhou Gong2, Yang Zhao1
1School of Automation Engineering, University of Electronic Science and Technology of China, Chengdu, China.
Frontiers in neuroscience
|December 16, 2024
概括
这项研究引入了一种新的脑-计算机接口 (BCI) 方法,MFF-DANet,以改善半患者的运动图像解码. 这种新方法通过更有效地分析大脑信号,提高了上肢康复的准确性.
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
- 机器学习 机器学习
背景情况:
- 大脑计算机接口 (BCI) 对于半患者上肢康复至关重要.
- 运动图像脑电图 (MI-EEG) 信号的个体变异性阻碍了BCI解码性能.
- 现有的基于MI的BCI解码方法在向新患者推广方面遇到了困难.
研究的目的:
- 为改进上肢运动图像解码提出一个新的基于特征的多级频域动态图注意网络 (MFF-DANet).
- 解决MI-EEG信号中个体变化的挑战,以便更好地将BCI概括起来.
- 为了提高基于MI的BCI在半性康复中的准确性和可解释性.
主要方法:
- 开发了MFF-DANet,使用多尺度卷积内核用于频段特征提取.
- 实现了基于频道关注的平均聚合,以保留关键频域特征.
- 集成了一个图表注意力卷积网络与电极位置先验,以捕捉空间拓特征.
主要成果:
- 在PhysioNet数据集上实现了61.6% (主体内) 和52.7% (跨主体) 的最佳解码精度.
- t-SNE可视化证实了MFF-DANet设计的模块的有效性.
- 邻近矩阵可视化证明了提取的空间拓特征的生理解释性.
结论:
- 在半患者中,MFF-DANet有效地解码上肢运动图像信号.
- 拟议的方法在克服当前BCI解码技术的泛化问题方面表现有前途.
- 多尺度频率特征和图形注意力网络的集成为BCI应用提供了一个生理上可解释和准确的方法.
