时间频空间变压器EEG解码脊髓损伤的脊髓损伤
Fangzhou Xu1, Ming Liu1, Xinyi Chen1
1International School for Optoelectronic Engineering, Qilu University of Technology (Shandong Academy of Sciences), Jinan, 250353 People's Republic of China.
Cognitive neurodynamics
|December 23, 2024
概括
这项研究引入了一种新的时频空间变压器,用于分析脊髓损伤患者的脑电图 (EEG) 信号. 该模型在运动图像分类中达到93.56%的准确性,为大脑活动分析提供了一个有前途的工具.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 具有自我注意机制的变压器神经网络在各种领域都表现出了有效性.
- 电脑电图 (EEG) 信号分析对于理解大脑活动和开发模式识别模型至关重要.
- 脊髓损伤 (SCI) 患者的运动图像 (MI) 任务对EEG分析提出了独特的挑战.
研究的目的:
- 探索使用自我注意力进行EEG信号分析的多通道深度特征解码方法.
- 为SCI患者构建一个有效的运动图像分类模型,利用变压器神经网络.
- 调查自我注意机制在整合通道间和通道内EEG特征中的实用性.
主要方法:
- 一个时频空间变压器算法被开发用于分析基于MI的EEG信号.
- 该模型使用自我注意机制集成了道间和道内功能.
- 来自SCI患者的EEG信号在输入变压器网络之前经历了时间频率和空间域分析.
主要成果:
- 拟议的时频空间变压器在MI任务中实现了93.56%的峰值分类精度.
- 对注意力矩阵大脑网络的构建揭示了来自原始EEG信号的大脑网络的相似之处.
- 自我注意力系数的大脑网络展示了展示相关连接和样本差异的潜力.
结论:
- 自注意机制有效地整合了多域EEG特征,以增强模式识别.
- 开发的变压器网络为在临床环境中分析大脑活动提供了有区别的方法.
- 注意系数大脑网络为大脑网络连接和功能差异提供了宝贵的见解.
