并行卷积神经网络和经验模式分解,以获得高精度的运动图像EEG信号分类
Jaipriya D1, Sriharipriya K C1
1School of Electronics Engineering (SENSE), Vellore Institute of Technology, Vellore, Tamil Nadu, India.
PloS one
|January 17, 2025
概括
本研究引入了一种使用实证模式分解 (EMD) 和并行卷积神经网络 (PCNN) 来解码脑电图 (EEG) 运动图像 (MI) 信号的新方法. 通过EMD-PCNN方法,大大提高了大脑与计算机接口的分类准确性.
科学领域:
- 神经科学和生物医学工程
- 信号处理和机器学习
背景情况:
- 来自脑电图 (EEG) 的运动图像 (MI) 信号显示了控制辅助设备的潜力.
- 解码复杂的低信号噪声比 (SNR) EEG信号仍然是一个重大挑战.
- 传统的方法依赖于特征提取和分类,经常与非静止的EEG数据扎.
研究的目的:
- 提出一种用于增强运动图像EEG信号分类的新方法.
- 为了应对EEG解码中的非静态性,速度和准确性的挑战.
- 提高用于设备控制的大脑与计算机接口 (BCI) 的性能.
主要方法:
- 利用经验模式分解 (EMD) 来从EEG信号中进行强大的特征提取.
- 使用并行卷积神经网络 (PCNN) 进行高级特征分类.
- 纳入转移学习,以微调模型以满足个别学科的具体表现.
主要成果:
- 与现有方法相比,提出的EMD-PCNN方法显示出更高的分类准确性.
- 在BCI竞争IV数据集2a和2b上验证为两级和四级MI任务.
- 定性和定量分析证实了该方法的增强性能和稳定性.
结论:
- 该EMD-PCNN方法在准确分类运动图像EEG信号方面取得了重大进展.
- 这种方法有效地减轻了EEG数据固有的非静态问题.
- 增强的性能表明对现实世界的BCI应用有更广泛的适用性.
