通过特征地图注意力EEGNet在视觉分心下从EEG解码运动图像

科学领域:

• 神经科学是一个神经科学.
• 人与计算机的交互
• 康复工程 康复工程

背景情况:

• 基于运动图像 (MI) 的脑计算机接口 (BCI) 对人机交互和康复至关重要.
• 现有的关于脑电图 (EEG) 信号解码的研究往往忽视了分心的影响,特别是视觉的分心,这些分心在现实世界中很常见.
• 了解视觉分心如何影响MI性能对于开发更强大,更实用的BCI系统至关重要.

研究的目的:

• 为了研究视觉分心对动力图像解码性能使用EEG信号的影响.
• 提出和评估一种新的解码方法,用于视觉分心下的MI.
• 将拟议方法的有效性与现有技术进行比较.

主要方法:

• 设计了一种新的MI范式,包含视觉分心.
• 在视觉分心下,分析了与事件相关的脱同步 (ERD) 和与事件相关的同步 (ERS) 的不同模式.
• 一个特征地图注意力EEGNet (FMA-EEGNet) 被提议用于从EEG信号中强大的MI解码.
• 将FMA-EEGNet的解码性能与使用带有和没有视觉分心收集的EEG数据的其他四种方法进行了比较.

主要成果:

• 拟议的FMA-EEGNet实现了平均准确度为89.1%,没有视觉分心和82.2%,视觉分心.
• 与其他评估方法相比,FMA-EEGNet表现优越.
• 提出的方法显示,即使在视觉分心的情况下,性能降低最小.

结论:

• 视觉分心显著影响MI解码性能.
• 在有视觉分心的情况下,FMA-EEGNet模型为解码MI信号提供了一个强大的解决方案.
• 这项研究促进了MI-BCI技术在现实环境中的实际应用.