基于EEG的手动识别及其参数
Yuxuan Yan1, Jianguang Li1, Mingyue Yin1
1School of Mechatronics Engineering, Harbin Institute of Technology, Harbin 15000, People's Republic of China.
Journal of neural engineering
|February 26, 2025
概括
本研究介绍了一种CNN-BiLSTM模型,用于使用脑电图 (EEG) 信号识别手部运动,在各种任务中实现高精度. 这种脑机接口的进步对于医疗康复和人机协作至关重要.
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
- 人工智能的人工智能
背景情况:
- 大脑-计算机接口 (BCI) 解码人类对设备交互的意图,对于医疗康复和人机协作至关重要.
- 从电脑电图 (EEG) 信号解码运动意图以实现运动执行 (ME) 处于早期研究阶段.
- 目前的研究缺乏足够的学科间分类准确性,以实现现实的BCI应用.
研究的目的:
- 为了研究基于EEG信号的手动识别,使用低频时间域信息.
- 开发和评估一个深度学习模型,从原始EEG数据中准确地分类手动.
主要方法:
- 收集了来自13名健康志愿者的EEG数据,他们执行了四种类型的手动,包括起,推和方向移位任务.
- 采用滑窗方法来增强数据集并减轻EEG信号过度拟合.
- 构建了一个端到端的卷积神经网络 (CNN) -双向长期短期记忆网络 (BiLSTM) 模型进行分类.
主要成果:
- 在CNN-BiLSTM模型实现了高分类准确率: 99.14% ± 0.49%的四个手动, 99.29% ± 0.11%的起, 99.23% ± 0.60%的推,和98.11% ± 0.23%的定向位移.
- 对比分析显示,CNN-BiLSTM模型的表现优于其他深度学习模型 (LSTM,CNN,EEGNet,CNN-LSTM).
结论:
- 该CNN-BiLSTM模型展示了基于EEG的手动识别和参数解码的实际准确性.
- 这项研究推动了BCI在康复和人机交互方面的实际应用的可行性.
