ECA-FusionNet:用于MI分类的混合EEG-fNIRS信号网络

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:

• 运动图像 (MI) 是一个关键的脑电脑界面 (BCI) 范式,通过想象的运动来实现设备控制,具有重要的中风康复潜力.
• 脑电图 (EEG) 和功能近红外光谱 (fNIRS) 是用于捕获MI信号的常见神经成像技术.
• 仅使用EEG或fNIRS的单模分类方法由于固有的信号限制,其性能有限.

研究的目的:

• 开发一种新的多式联通融合分类方法,将EEG和fNIRS信号整合起来.
• 为了利用EEG和fNIRS的互补优势进行增强的MI信号分析.
• 提高基于MI的BCI系统的适应性和稳定性.

主要方法:

• 一个特征提取网络被设计用于从EEG和fNIRS MI信号中捕获时空特征.
• 实施了一种融合策略,将EEG和fNIRS数据的功能级和决策级集成相结合.
• 拟议的方法ECA-FusionNet在公开的EEG-fNIRS数据集上得到了验证.

主要成果:

• 与单模EEG和fNIRS方法相比,ECA-FusionNet证明了MI的更高的分类准确性.
• 融合方法在基准数据集上优于现有的多式联运分类技术.
• 结果强调了结合EEG和fNIRS的有效性,以实现强大的MI检测.

结论:

• 对于BCI应用,ECA-FusionNet在多式联通融合方面取得了重大进展.
• 这种方法为未来的多式联络融合分类研究提供了有希望的参考.
• 提高分类准确性对开发更有效的BCI驱动的神经康复策略有影响.