从混合BCI系统中获得的混合CNN模型来对运动任务进行分类

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 非侵入性脑电脑接口 (BCI) 对于人机交互至关重要.
• 结合脑电图 (EEG) 和功能近红外光谱 (fNIRS) 的混合BCI显示出改善分类的希望.
• 在BCI信号处理中,区分反侧和反侧电机运动仍然是一个挑战.

研究的目的:

• 评估深度学习模型,特别是卷积神经网络 (CNN) 和双向长短期记忆 (Bi-LSTM),用于分类四种不同的运动执行任务.
• 评估混合CNN模型的性能,将EEG和fNIRS数据结合起来,用于增强运动图像分类.
• 调查这些模型在使用CORE数据集对复杂的运动任务进行分类时的有效性.

主要方法:

• 利用深度学习架构,包括CNN和Bi-LSTM,用于信号处理和分类.
• 通过融合来自非侵入性EEG和fNIRS传感器的数据,实施了混合BCI方法.
• 在CORE数据集中的四类运动执行数据集 (右手,左手,右臂,左臂) 上训练和评估模型.

主要成果:

• 卷积神经网络 (CNN) 模型实现了98.3%的准确性.
• 混合CNN模型,集成EEG和fNIRS,表现出卓越的性能,准确率达99%.
• 模型性能使用准确性,F1得分,精度,回忆,AUC和ROC曲线分析进行了全面评估.

结论:

• 结合EEG和fNIRS的混合BCI系统,特别是与CNN等深度学习模型相结合,显著提高了分类多类运动运动的准确性.
• 开发的混合CNN模型为解码复杂的运动意图提供了强大而有效的解决方案,优于单个模式方法.
• 这些发现为各种应用程序的更复杂,更可靠的非侵入性脑电脑接口铺平了道路.