增强的脑电图信号分类:一种混合卷积神经网络,具有基于注意力的特征选择
Bao Liu1, Yuxin Wang1, Lei Gao2
1College of Control Science and Engineering, China University of Petroleum, Qingdao 266580 China.
Brain research
|February 4, 2025
概括
这项研究引入了一种深度学习模型,用于分类运动图像电脑电图 (MI-EEG) 信号,显著提高脑计算机接口 (BCI) 的准确性. 这种新的方法增强了特征提取,以更好地识别意图.
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:
- 运动成像脑电图 (MI-EEG) 信号分类对于大脑与计算机接口 (BCI) 是至关重要的.
- 传统的机器学习方法与MI-EEG的非线性,低信号噪声比和个体变异性作斗争.
- 深度学习为克服这些分类挑战提供了一个有希望的途径.
研究的目的:
- 提出基于深度学习的自动特征提取方法,用于增强MI-EEG分类.
- 解决处理复杂MI-EEG信号特征的传统方法的局限性.
- 为了提高依赖MI-EEG信号的BCI系统的准确性和稳定性.
主要方法:
- 使用离散波形变换和共同平均参考来减少噪声.
- 卷积神经网络 (CNN) 用于提取时间域特征和空间信息.
- 讲话头的注意力机制来增强关键特征序列.
- 时空卷积网络 (TCN) 用于抽象时空特征,然后是完全连接的分类层.
主要成果:
- 提议的增强型EEG模型在BCI竞争IV-2a数据集上的各个主题中实现了平均分类准确率为85.53%.
- 与现有模型相比,在分类准确度方面取得了显著的改进:CNN (+11.24%),EEGNet (+6.90%),CNN-LSTM (+11.18%) 和EEG-TCNet (+6.13%).
结论:
- 开发的深度学习模型有效地从MI-EEG信号中提取时空特征.
- 拟议的方法为BCI应用的MI-EEG分类准确性提供了实质性的进步.
- 这种方法具有显著的潜力,可以在BCI系统中增强意图识别.
