基于CLSTM-AE的无监督特征提取方法,用于大脑-计算机接口系统中准确的P300分类
Ramin Afrah1, Zahra Amini2, Rahele Kafieh2
1School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran.
Journal of biomedical physics & engineering
|December 27, 2024
概括
本研究介绍了一种使用卷积神经网络 (CNN) 和长短期记忆 (LSTM) 的新型混合无监督方法,以提高脑计算机接口 (BCI) 的性能. 这种方法提高了P300信号检测在脑电图数据中的准确性.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 作为事件相关潜力的关键组成部分,P300信号对于脑计算机接口 (BCI) 应用至关重要.
- 从脑电图 (EEG) 信号中提取可靠的P300特征存在重大挑战.
研究的目的:
- 开发一种混合无监督方法,用于强大的P300检测.
- 为了克服P300特征提取和分类方面的局限性.
主要方法:
- 采用混合卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 模型来提取空间和时间特征.
- CNN-LSTM网络使用无监督自动编码方法进行训练,以增强信号噪声比 (SNR).
- 用一种自适应合成采样方法 (ADASYN) 来解决数据不平衡,而无需重复.
主要成果:
- 拟议的CNN-LSTM模型在BCI竞争III数据集上的P300检测中实现了高精度.
- 具体来说,A和B对象的准确率分别为95%和94%.
结论:
- 集成的CNN-LSTM自动编码器有效地提取空间和时间特征,同时管理计算复杂性.
- 在ADASYN方法成功地处理不平衡的数据,保存P300关键的解剖特征.
- 该研究强调了拟议的混合无监督方法对BCI应用的显著效率和适用性.
