MI-Mamba:一种混合动力图像电脑图形分类模型,使用Mamba的全球扫描

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 深度学习,特别是CNN,已经推进了EEG解码,但与长期依赖性作斗争.
• 像LSTM和变压器这样的现有模型面临着计算和序列长度的挑战.
• 马巴,一个国家空间模型,显示了长序列建模的希望.

研究的目的:

• 开发一个更高效,更准确的EEG解码模型用于运动图像 (MI).
• 为了利用CNN在空间特征和Mamba在时间依赖方面的优势.
• 解决EEG分析当前深度学习模型的局限性.

主要方法:

• 提出MI-Mamba,集成CNN用于空间特征提取和Mamba用于全球时间特征处理.
• 使用完全连接的基于层的分类器进行最终分类.
• 在两个公共汽车图像数据集 (BCI Competition IV 2a 和 2b) 上评估了该模型.

主要成果:

• 在四类MI任务 (BCI Competition IV 2a) 中获得了80.59%的准确性.
• 在两类MI任务 (BCI Competition IV 2b) 中获得了84.42%的准确性.
• 与以前的最先进模型相比,参数数量减少了近六倍.

结论:

• MI-Mamba 在运动图像解码方面表现出高效率.
• 该模型在准确性和计算效率方面提供了显著的改进.
• 对于一般的EEG解码应用来说,MI-Mamba是一个潜在的新骨干.