一种使用CNN和Swin变压器的新型3D方法来解码基于EEG的运动图像分类
Xin Deng1,2, Huaxiang Huo2, Lijiao Ai1
1Chongqing Key Laboratory of Germplasm Innovation and Utilization of Native Plants, Chongqing 401329, China.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
这项研究引入了一个新的深度学习模型,结合CNN和Swin变压器来解码电脑电图 (EEG) 信号在运动图像 (MI) 大脑计算机接口 (BCI) 中,实现高精度.
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
- 人工智能的人工智能
背景情况:
- 运动图像 (MI) 对脑计算机接口 (BCI) 至关重要,使运动障碍患者能够控制设备.
- 对MI-BCI进行电脑电图 (EEG) 信号的解码是具有挑战性的,因为它具有很高的维度和较低的信号噪声比 (SNR).
- 现有的深度学习方法难以捕捉EEG数据中的时空依赖性.
研究的目的:
- 开发一个新的端到端深度学习网络,以提高MI-BCI分类的准确性.
- 为了解决处理高维,低SNREEG信号的局限性.
- 改进捕获电极通道和远距离时间依赖之间的内在相关性.
主要方法:
- 提出了一个集结卷积神经网络 (CNN) 和Swin变压器的新型网络.
- 脑电图信号被转换成一个3D数据结构用于时空特征提取.
- 1D CNNs处理时间数据,2D CNNs处理电极分布,3D Swin 变压器模块提取深度特征.
主要成果:
- 拟议的方法在BCI竞争IV-2a数据集上实现了83.99%的分类准确性.
- 这种准确性明显优于现有的深度学习方法.
- 在3D空间中,CNN和Swin变压器的组合证明了对EEG信号处理的有效性.
结论:
- 开发的CNN-Swin变压器网络为改善MI-BCI性能提供了一个有希望的方法.
- 这种方法为在BCI应用中处理复杂的EEG信号提供了新的视角.
- 进一步的研究可以探索更广泛的BCI任务和临床应用.
