深度学习模型和类型-2模糊的组合用于通过时空频率特征对EEG运动图像进行分类

科学领域:

• 生物医学信号处理
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 解读脑波信号,特别是运动图像期间的脑电图 (EEG) 图案,由于固有的变化,噪音和不确定性而具有挑战性.
• 深度学习为分析像EEG这样复杂的生物信号提供了强大的工具.
• 模糊逻辑组件可以在杂的环境中提高系统的稳定性.

研究的目的:

• 开发一个强大的混合深度学习架构,用于准确的脑波信号解释.
• 为了提高脑电脑接口 (BCI) 系统中运动图像任务的分类准确性.
• 使用模糊逻辑组件解决EEG数据中的不确定性.

主要方法:

• 开发了一个混合系列架构,FCLNET,将空间/频率特征的 Compact-CNN 和时间特征的 LSTM 结合起来.
• 类型-2模糊函数被整合为CNN架构中的激活函数,以管理不确定性.
• 使用贝叶斯优化算法优化了FCLNET模型的超参数.

主要成果:

• 在BCI竞争IV-2a和IV-1数据库上,FCLNET模型表现出良好的分类准确性.
• 与文献中现有的方法相比,拟议的架构实现了优越的性能.
• 整合2型模糊激活函数和贝叶斯优化对该模型的有效性做出了重大贡献.

结论:

• FCLNET模型显示了在推进基于运动图像的BCI系统方面显著的潜力.
• 将模糊单位纳入分类器可以提高处理不确定的和杂的生物医学数据的性能.
• 这种混合方法为未来的BCI研发提供了一个有希望的方向.