基于TS-former的运动图像EEG解码用于脊髓损伤患者

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 传统的机器学习和深度学习方法在EEG信号处理中面临着大规模数据和长时间序列的挑战.
• 卷积神经网络 (CNN) 需要对内核大小进行广泛的实验,而长期短期记忆 (LSTM) 网络则在长期依赖方面扎.

研究的目的:

• 提出一种新的转移学习 (TL) 方法,TS-former,用于高效和准确的特征提取和电脑电图 (EEG) 信号的分类.
• 开发一个新的网络架构用于对EEG信号的时空域分析,改进现有的深度学习局限性.

主要方法:

• 使用过器银行共同空间模式 (FBCSP) 来从EEG信号中提取频率和空间域信息.
• 采用了具有多头注意力机制的变压器架构,用于时间模式捕获和分类.
• 实施了一种预先训练的分类模型,使用微调技术来适应新任务.

主要成果:

• 在脊髓损伤 (SCI) 患者的运动图像 (MI) EEG数据集上获得了95.09%的平均分类准确度.
• 证明了TS-former模型在捕获时间模式和准确分类EEG信号方面的有效性.
• 使用十倍十倍交叉验证方法验证了模型的性能.

结论:

• 拟议的TS-former方法为EEG信号分类提供了一个有前途的方法,特别是在脑电脑接口 (BCI) 应用中.
• 这项研究证实了开发BCI系统的新途径,用于SCI患者的康复培训.
• 转移学习方法有效地将模型适应新数据,实现高分类准确性.