一个混合网络使用变压器与修改局部线性嵌入和滑动窗卷积用于EEG解码
Ketong Li1, Peng Chen1, Qian Chen1
1School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031, People's Republic of China.
Journal of neural engineering
|December 24, 2024
概括
这项研究引入了一种新的混合人工智能网络来解码脑电图 (EEG) 信号,改善临床使用的大脑计算机接口 (BCI) 性能. 基于变压器的模型增强了机动图像解码精度和实际应用.
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:
- 大脑-计算机接口 (BCI) 利用人工智能 (AI) 来解码电脑图 (EEG) 信号,提供了一种新的人机交互方法.
- 目前的EEG解码方法由于信息提取不完整和计算资源有限,因此对临床应用缺乏足够的性能.
研究的目的:
- 引入混合人工智能网络,用于在BCI中增强EEG解码.
- 通过提高信息提取和计算效率来解决目前用于临床环境的EEG解码的局限性.
主要方法:
- 一个混合网络,结合了变压器,改进了局部线性嵌入和滑窗卷积,用于EEG解码.
- 从EEG信号中单独提取和交叉注意力融合通道和时间特征.
- 应用多元学习来减少维度,以减少计算负担.
主要成果:
- 实现了高准确率:84.44% (BCI竞争IV数据集2a),94.96% (高马数据集) 和82.79% (自构建的运动图像数据集).
- 使用EEG频道变压器与缩小尺寸的EEG数据和窗口注意力与滑动窗口卷积的基线模型的性能优于基线模型.
- 可视化展示了模型对与任务相关的道的偏好,提高了可解释性.
结论:
- 拟议的基于变压器的方法显著改善了运动图像EEG解码.
- 这种方法提高了BCI技术对未来临床应用的实用性.
