用图形神经网络和强化学习解码EEG信号的实时框架

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:

• 大脑计算机接口 (BCI) 需要精确解码脑电图 (EEG) 运动图像 (MI) 信号.
• 图形神经网络 (GNN) 通过通过邻近矩阵利用空间电极关系来改善EEGMI分类.
• 像EEG_GLT-Net这样的现有GNN框架显示出希望,但可以进一步增强.

研究的目的:

• 开发一个先进的BCI系统,用于增强EEGMI信号分类.
• 研究强化学习 (RL) 的应用,以提高微妙的EEGMI信号的准确性和识别.
• 引入EEG_RL-Net,一个增强的GNN框架,包括RL.

主要方法:

• 该研究将从EEG_GLT-Net中训练的EEG图形卷积网络 (GCN) 块与对决的深度Q网络 (DQN) 集成,用于基于RL的分类.
• 新的EEG_RL-Net在PhysioNet数据集上进行了测试,分析了20名受试者的EEGMI信号.
• 在EEG_GLT-Net框架内,相邻矩阵密度优化为13.39%.

主要成果:

• 在20个受试者中,EEG_RL-Net实现了96.40%的平均分类精度.
• 这与EEG_GLT-Net的83.95%准确度和Pearson相关系数 (PCC) 方法的76.10%准确度相比,是一个显著的改进.
• 该模型在25毫秒的时间范围内展示了高性能,突出了其效率.

结论:

• 强化学习显著提高了EEG运动图像信号的分类.
• EEG_RL-Net为BCI应用提供了强大的新方法,提高了准确性并识别了不那么明显的EEGMI数据点.
• 这些发现强调了RL在推进BCI技术以实现更有效的设备控制方面的潜力.