一个基于实证模型的算法,用于移除运动图像中的运动引起的人工物,使用优化的CNN模型对EEG数据进行分类
Rajesh Kannan Megalingam1, Kariparambil Sudheesh Sankardas1, Sakthiprasad Kuttankulangara Manoharan1
1Humanitarian Technology (HuT) Labs, Department of Electronics and Communication Engineering, Amrita Vishwa Vidyapeetham, Amritapuri 690525, India.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
这项研究引入了一种新的方法,可以从脑电图 (EEG) 数据中删除脑电脑接口 (BCI) 的运动器件. 新方法在分类运动图像 (MI) 脑电图信号方面实现了94.04%的准确性,帮助轮椅使用者.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 信号处理 信号处理
背景情况:
- 脑电图 (EEG) 是用于脑电脑接口 (BCI) 系统的有价值的非侵入性工具,特别适用于严重移动障碍的人.
- 机动图像EEG (MI-EEG) 数据分类对于BCI应用至关重要,它可以控制轮椅等设备.
- 运动工件显著降低了EEG信号质量,这对移动个人 (如轮椅使用者) 使用的BCI系统构成了挑战.
研究的目的:
- 开发和验证基于实证错误模型的工件删除方法,用于MI-EEG数据的跨主题分类.
- 为了提高MI-EEG分类的准确性,用于实际的BCI应用,特别是轮椅使用者.
- 通过解决运动诱导的工件来提高运动图像BCI的解码效率.
主要方法:
- 提出了一个经验错误模型,包含惯性传感器数据,轮椅,受试者体重和地形摩擦.
- 开发了一种基于卷积神经网络 (CNN) 的深度学习算法,用于MI-EEG分类.
- 使用三个轮椅在五个不同的地形 (道路,,混凝土,地毯,大理石) 上记录了文物数据.
主要成果:
- 在四个运动图像类别 (左,右,前,后) 之间区分时,获得了94.04%的分类准确度.
- 证明了拟议的CNN和经验模型在移除运动文物方面的有效性.
- 与现有的最先进的技术相比,展示了优越的性能.
结论:
- 提出的基于经验错误模型的文物删除方法显著提高了MI-EEG分类的准确性.
- 这种方法提供了一种潜在的有效解决方案,以提高轮椅使用者的BCI解码效率.
- 这项研究促进了实际的BCI应用,使运动图像信号的可靠解释能够实现,尽管运动文物.
