使用长短期记忆网络和非线性间隔类型-2模糊回归对视觉对象的相关EEG信号分类

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 了解大脑功能依赖于解码神经活动.
• 电脑电图 (EEG) 信号提供了对大脑状态的洞察力,但它们是复杂和杂的.
• 从EEG数据中对视觉物体进行分类,由于信号的非线性和个体变异性,因此存在挑战.

研究的目的:

• 开发和评估一种新方法来分类与视觉物体相关的EEG信号.
• 解决EEG数据中的不确定性,包括非线性,噪声和有限的样本大小.
• 为了提高图像特征映射到EEG信号特征的精度,以便更好地解码大脑活动.

主要方法:

• 使用ResNet进行图像特征提取.
• 采用长短期记忆 (LSTM) 网络进行EEG信号特征提取.
• 应用非线性间隔类型-2模糊回归 (NIT2FR) 来将图像特征映射到EEG信号特征.
• 使用斯坦福大学数据库和准确度,精度,回忆和F1分数等指标来评估性能.

主要成果:

• 仅LSTM网络在从原始EEG数据中对图像进行分类时就达到55.83%的准确率.
• 与SVM分类器相结合的NIT2FR实现了68.05%的准确性,优于其他回归和分类方法.
• 在处理高不确定性环境时,NIT2FR表现出卓越的性能,与之前的研究相比,其准确性提高了6.03%.
• NIT2FR的精度,回忆和F1分数分别为68.93%,68.08%和68.49%.

结论:

• 在具有显著不确定性的环境中,NIT2FR非常有效地对EEG信号进行分类.
• 拟议的方法增强了对大脑活动如何编码视觉信息的理解.
• 这种方法为脑计算机接口和神经学研究提供了强大的解决方案.