增强的EEG预测:一种概率学深度学习方法
Hanna Pankka1, Jaakko Lehtinen2,3, Risto J Ilmoniemi4
1Department of Neuroscience and Biomedical Engineering, Aalto University School of Science, FI-02150 Espoo, Finland hanna.e.pankka@aalto.fi.
Neural computation
|March 3, 2025
概括
使用WaveNet的概率深度学习准确预测脑电图 (EEG) 信号,优于脑电脑接口和神经科学研究的传统模型.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 对脑电图 (EEG) 信号的准确预测对于实时应用,如脑电脑接口至关重要.
- 传统的自回归 (AR) 模型在长距离EEG预测准确性方面存在局限性.
- 深度学习的进步为改进EEG信号预测提供了潜力.
研究的目的:
- 通过使用概率深度学习来增强EEG信号预测.
- 将WaveNet模型的性能与EEG预测的自回归 (AR) 模型进行比较.
- 调查概率深度学习对更长期EEG预测的有用性.
主要方法:
- 应用了概率深度神经网络模型WaveNet来预测静态EEG信号.
- 专注于泰达 (4-7.5 Hz) 和阿尔法 (8-13 Hz) 频段.
- 与AR模型比较WaveNet的预测准确度,包括信号幅度和相位估计.
主要成果:
- 波浪网可靠地预测了EEG信号在theta和alpha波段前150ms,平均绝对误差低 (theta为1.0±1.1μV,alpha为0.9±1.1μV).
- 在预测信号振幅和相位方面,WaveNet的表现优于AR模型.
- 概率方法使得更准确的预测和有效的废弃不确定的预测.
结论:
- 概率深度学习,特别是WaveNet,对于预测静态EEG时间序列是有效的.
- 这种方法比传统的EEG预测AR模型提供了更高的准确性和稳定性.
- 开发的模型有望提高BCI,大脑刺激,神经科学调查和诊断中的实时大脑状态估计.
