通过对深度学习衍生的频域特征进行堆叠,提高了fNIRS-BCI的性能
Jamila Akhter1, Hammad Nazeer1, Noman Naseer1
1Department of Mechatronics and Biomedical Engineering, Air University, Islamabad, Pakistan.
PloS one
|April 17, 2025
概括
新的深度学习方法提高了运动残疾人大脑计算机接口 (BCI) 的准确性. 使用新的堆和FFT技术的功能近红外光谱 (fNIRS) 数据分析实现了比传统算法更高的分类率.
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:
- 大脑-计算机接口 (BCI) 为运动障碍患者恢复自主权提供了一条途径.
- 功能近红外光谱 (fNIRS) 是一种用于监测大脑活动的非侵入性神经成像技术.
- 深度学习 (DL) 算法在解码复杂的大脑信号方面表现有前途,用于BCI应用.
研究的目的:
- 开发和评估用于fNIRS-BCI系统中特征提取和分类的新型深度学习方法.
- 通过使用fNIRS信号,提高分类手握运动活动的准确性.
- 将拟议的DL方法与传统算法的性能进行比较.
主要方法:
- 使用fNIRS神经成像系统获取手握数据.
- 使用nirsLAB软件进行fNIRS信号的预处理.
- 使用建议的堆和快速富里埃变换 (FFT) DL方法进行特征提取和分类,与CNN,LSTM和Bi-LSTM相比.
主要成果:
- 拟议的FT方法的分类准确度达到90.11%,堆方法的分类准确度达到87.00%.
- 这两种提出的方法都显著超过了传统的CNN (85.16%),LSTM (79.46%) 和Bi-LSTM (81.88%) 算法.
- 这项研究证明了在fNIRS-BCI.中针对二类和三类问题的建议方法的有效性.
结论:
- 新型深度学习方法,特别是拟议的堆和FT方法,显著提高了fNIRS-BCI.BCI的分类准确性.
- 这些先进的方法有可能改善运动残疾人的控制指令生成.
- 这些发现表明,这些技术对于各种fNIRS-BCI任务具有更广泛的适用性.
