一个基于混合脑计算机接口和电脑脑图像和电肌图像深度特征的多任务学习的运动图像分类模型
Yingyu Cao1, Shaowei Gao1, Huixian Yu2
1College of Mechanical Engineering, Beijing Institute of Petrochemical Technology, Beijing, China.
Frontiers in physiology
|December 20, 2024
概括
这项研究引入了一种新的混合脑-计算机接口网络 (2M-hBCINet),使用脑电图 (EEG) 和肌电图 (EMG) 深度功能进行运动图像分类,实现卓越的性能.
科学领域:
- 神经科学和生物医学工程
- 大脑与计算机接口 (BCI)
- 机器学习用于信号处理.
背景情况:
- 运动图像 (MI) 分类依赖于从EEG和EMG等生物电信号中提取深度特征.
- 开发MI任务的有效模型是一个重大的研究挑战.
研究的目的:
- 开发一个多式多任务混合脑电脑接口网络 (2M-hBCINet) 进行增强的运动图像分类.
- 为了提高BCI性能,利用EEG和EMG信号的深度特征.
主要方法:
- 用一个变化自编码器 (VAE) 来从EEG和EMG信号中进行无监督的深度特征提取.
- 一个道注意力机制 (CAM) 选择了突出的深度特征.
- 多任务学习 (MTL) 训练了模型的MI分类,EEG/EMG重建,以及特征指标学习任务.
- 交叉验证 (LOOCV) 验证了在定制和公共数据集上的模型.
主要成果:
- 与现有模型相比,2M-hBCINet模型表现出优越的性能.
- 该模型在各种频段实现了最佳结果.
- 在肌肉疲劳条件下证实了有效性.
结论:
- 2M-hBCINet模型显示出使用EEG和EMG数据进行运动图像分类的卓越性能和概括能力.
- 这种端到端的模型在其他EEG相关领域有潜在的应用,如异常检测和情绪分析.
