通过BCI应用程序的噪音注入培训进行EEG频道定位和选择

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
• 信号处理 信号处理

背景情况:

• 电脑电图 (EEG) 对于监测大脑活动至关重要.
• 在EEG数据中的高通道数量导致不切实际的使用和复杂的模型.

研究的目的:

• 为了解决EEG数据中的高维度挑战.
• 引入一个创新的EEG频道选择算法,LSvT-NI.
• 为了减少通道数量,模型大小和计算复杂性,同时保持准确性.

主要方法:

• 开发了基于模型训练和噪音注入的LSvT-NI算法.
• 使用EEGNet和BCI竞争IV 2a数据集验证了算法.
• 在5dB的SNR应用白噪声和粉红噪声来选择频道.

主要成果:

• 在白色和粉红色噪声下分别实现了77.3%和72.7%的通道减少.
• 模型尺寸缩小了11.7%和11%,带有白色和粉红色噪音.
• 计算复杂度降低了86.9%和71.8%的白色和粉红色噪声.

结论:

• LSvT-NI有效地减少了EEG数据的维度和复杂性.
• 该算法为EEG分析提供了实用且具有成本效益的解决方案.
• LSvT-NI保持了高分类准确度,证明了其在现实应用中的实用性.