适应性GCN和基于Bi-GRU的双分支用于运动图像EEG解码
Yelan Wu1, Pugang Cao1, Meng Xu1
1School of Computer and Artificial Intelligence, Beijing Technology and Business University, Beijing 100048, China.
Sensors (Basel, Switzerland)
|February 26, 2025
概括
这项研究引入了一种新的双分支框架来解码运动图像电脑图像学 (MI-EEG) 信号,通过模拟先进的大脑与计算机接口的通道相关性和时间依赖性来显著提高准确性.
科学领域:
- 神经科学是一个神经科学.
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 解码运动图像电脑图像 (MI-EEG) 信号是具有挑战性的,因为复杂的通道连接和时间信号依赖性.
- 低空间分辨率和EEG中的高信号冗余性阻碍了传统线性模型的性能.
- 现有的方法很难有效地捕捉MI-EEG信号的空间和时间特征.
研究的目的:
- 为增强MI-EEG信号解码提出一个新的双分支框架.
- 为了有效地建模EEG信号中的通道相关性和时间依赖性.
- 提高大脑计算机接口 (BCI) 系统的准确性和稳定性.
主要方法:
- 一个双分支框架,集成一个自适应图卷积网络 (自适应GCN) 和双向封闭循环单元 (Bi-GRUs).
- 切比舍夫II型过器用于子频段分解和频域分析.
- 适应性GCN用于空间光谱特征提取,双GRU具有多头注意力 (MHA) 用于深度时间光谱特征提取.
- 用于最终预测生成的特征融合.
主要成果:
- 在BCI-IV数据集2a.上实现了80.38%的平均分类准确度.
- 在BCI-I数据集3a上实现了87.49%的平均分类准确度.
- 性能优于现有的最先进的MI-EEG解码方法.
结论:
- 拟议的双分支框架通过建模空间-光谱和时间依赖,有效地解码MI-EEG信号.
- 这种方法为开发个性化和适应性的BCI系统提供了基础.
- 与当前最先进的技术相比,该方法显示出更高的性能.
关键词:
适应式图形卷积网络 (适应式 GCN)注意力模块的注意力模块.大脑计算机接口 (BCI)频道相关性 频道相关性电脑电图 (EEG) 是一种电脑电图.运动影像 (MI) 机器时间依赖,时间依赖.更多相关视频
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
43.2K
09:42Author Spotlight: Using Motor Imagery Brain-Computer Interface to Improve Motor and Cognitive Function in Stroke Patients
Published on: September 1, 2023
1.1K
