通过基于图表的长期短期记忆-卷积神经网络识别大脑活动
Yanling Yang1,2, Helong Zhao1,2, Zezhou Hao1,2
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai, China.
Frontiers in neuroscience
|April 8, 2025
概括
一个新的基于图的长期短期记忆卷积神经网络 (GLCNet) 从磁脑摄影 (MEG) 信号中有效地分类大脑活动. 这种方法通过处理运动图像 (MI) 和认知图像 (CI) 任务中的个体变异性来提高脑计算机接口 (BCI) 的性能.
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
- 机器学习 机器学习
背景情况:
- 磁脑电图 (MEG) 为神经成像提供了高时间和空间分辨率.
- 从MEG信号分类运动图像 (MI) 和认知图像 (CI) 对大脑计算机接口 (BCI) 至关重要.
- 个体的变化和信号干扰在识别大脑活动方面带来了重大挑战.
研究的目的:
- 提出一种新的深度学习模型,使用MEG数据对MI和CI任务进行可靠的分类.
- 为了提高脑计算机接口 (BCI) 的准确性和可靠性.
主要方法:
- 开发了一个基于图形的长期短期记忆卷积神经网络 (GLCNet).
- GLCNet集成了图形卷积网络 (GCN),空间卷积和长短期内存 (LSTM) 模块.
- 该模型同时提取时间-频率-空间特征以进行全面分析.
主要成果:
- 与两个公共MEG数据集的六个基准算法相比,GLCNet实现了优异的性能.
- 在MEG-BCI数据集上记录了78.65% (2类) 和65.8% (4类) 的平均准确率.
- 该模型在处理个人变化方面表现出强大的性能.
结论:
- GLCNet显著提高了大脑活动分类的适应性和稳定性.
- 这些发现有助于推进神经科学研究和脑计算机接口 (BCI) 应用.
