一种基于大脑功能网络的运动图像的分类方法,通过融合PLV和ECSP

科学领域:

• 神经科学是一个神经科学.
• 大脑与计算机的接口
• 机器学习 机器学习

背景情况:

• 在运动成像 (MI) 过程中精确解码大脑状态对于推进大脑-计算机接口 (BCI) 至关重要.
• 了解MI任务期间大脑区域的功能连接变化对于阐明神经机制至关重要.
• 现有的方法可能无法完全捕捉运动任务期间大脑网络内的复杂相互作用.

研究的目的:

• 提出一种新的大脑功能网络构建方法,将边缘和节点功能融合在一起,以增强MI解码.
• 评估MI任务期间相关大脑区域的功能连接变化.
• 通过使用深度学习来实现左手和右手抓取任务的准确分类.

主要方法:

• 用于边缘特征提取的利用阶段锁定值 (PLV).
• 使用增强的共同空间模式 (ECSP) 与加权的PLV用于节点特征提取.
• 融合了边缘和节点特征,构建了一个新的大脑功能网络.
• 开发了一个注意力和多尺度特征卷积神经网络 (AMSF-CNN) 用于验证.

主要成果:

• 拟议的方法表明,在单手性心脏病发作时,与逆侧脑区域相比,脑的两侧脑区域的性能指标增加了.
• 实现了MI分类的平均准确度为79.65%,比现有基准显著改善.
• 在SHU_Dataset和BCI IV 2a数据集上表现优于其他参考方法.

结论:

• 这种新的大脑功能网络构建方法有效地提高了MI的解码和分类.
• 这些发现为人类大脑在运动成像过程中的工作机制提供了宝贵的见解.
• 这种方法为开发更复杂的BCI提供了一个有希望的方向.