混合CNN-GRU模型用于改进EEG运动图像分类
Mouna Bouchane1, Wei Guo1, Shuojin Yang2
1Key Laboratory of Augmented Reality, School of Mathematical Sciences, Hebei Normal University, Shijiazhuang 050024, China.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
新的混合深度学习模型显著提高了运动图像 (MI) 任务的大脑计算机接口 (BCI) 的准确性. 这些基于电脑电图 (EEG) 的系统为BCI应用提供了高效,具有成本效益的控制.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 大脑-计算机接口 (BCI) 利用脑电图 (EEG) 来解释神经活动以控制设备.
- 运动图像 (MI) 是解码BCI系统内想象的运动的关键范式.
- 从EEG信号中有效地提取特征对于提高分类准确性和减少预处理需求至关重要.
研究的目的:
- 引入新的混合架构,以在基于EEG的BCI中改进MI分类.
- 通过数据增强和减少EEG通道数量来增强MI分类.
- 评估公开数据集上的最先进方法对拟议模型的性能.
主要方法:
- 开发两种混合深度学习模型:一个卷积神经网络门反复单元 (CNN-GRU) 和一个卷积神经网络双向门反复单元 (CNN-Bi-GRU).
- 应用数据增强技术来提高模型的稳定性.
- 使用可公开使用的PhysioNet数据集对运动图像任务进行模型评估.
主要成果:
- 在各种运动图像任务 (左拳,右拳,两拳,两脚) 中,CNN-GRU分类器实现了高峰平均准确率超过99.7%.
- 拟议的混合架构与当前最先进的方法相比,表现出卓越的性能.
- 实验结果强调了模型的效率,特别是在小规模的EEG数据集上.
结论:
- 开发的CNN-GRU和CNN-Bi-GRU架构为用户可适应的MI-BCI应用提供了更快,更具成本效益的解决方案.
- 这些模型具有卓越的预测可靠性,为更容易获得的BCI技术铺平了道路.
- 该研究强调了混合深度学习方法在提高基于EEG的BCI性能方面的潜力.
