基于MSSECNN和PCMI的空间认知EEG特征提取和分类
Xianglong Wan1,2, Yue Sun1, Yiduo Yao1,3
1School of Intelligence Science and Technology, University of Science and Technology Beijing, Beijing 100083, China.
Bioengineering (Basel, Switzerland)
|January 24, 2025
概括
这项研究引入了一种新型的EEG分析方法,使用变条件相互信息和多尺度挤压刺激卷积神经网络来准确地分类老年人训练前后的认知状态. 这种方法有助于早期发现认知能力下降.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 信号处理 信号处理
背景情况:
- 人口老龄化面临着空间认知能力的下降,影响生活质量.
- 电脑电图 (EEG) 信号分析显示空间认知评估具有前途.
- 现有的方法难以对认知状态进行多类分类,特别是训练前和训练后的认知状态.
研究的目的:
- 开发一种新的EEG信号分类方法来评估空间认知状态.
- 提高训练前后认知状态分类的准确性和稳定性.
- 为早期识别和干预认知衰退提供技术支持.
主要方法:
- 利用转换条件相互信息 (PCMI) 来从EEG信号中提取非线性空间特征.
- 使用多级压缩刺激卷积神经网络 (MSSECNN) 进行分类.
- 集成的挤压和刺激网络 (SENet) 用于适应性特征加权和多尺度卷积神经网络 (MSCNN) 用于捕捉各种特征尺度.
主要成果:
- 与传统方法相比,拟议的MSSECNN模型显示了显著优越的分类准确性.
- 该模型在分类空间认知状态方面表现出更强大的稳定性.
- PCMI有效地提取了非线性空间特征,SENet适应地突出了关键的EEG通道.
结论:
- MSSECNN模型提供了一个强大的工具,用于根据EEG数据对空间认知状态进行分类.
- 这种方法为与年龄相关的认知衰退的早期发现和干预策略提供了宝贵的技术支持.
- 这些发现突显了先进机器学习技术在神经科学研究和临床应用中的潜力.
