MSFHNet:一种混合深度学习网络,用于在BCI-VR系统中进行空间认知EEG信号的多尺度时空特征提取
Xulong Liu1,2, Ziwei Jia1,2, Meng Xun1,2
1School of Computer and Communication Engineering, Northeastern University, Qinhuangdao, 066004, China.
Medical & biological engineering & computing
|June 5, 2025
概括
这项研究介绍了MSFHNet,这是一种用于脑机接口和虚拟现实系统的新型AI模型. 它在解码空间认知EEG信号时达到98.58%的准确性,用于增强训练.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 人与计算机的交互
背景情况:
- 大脑计算机接口 (BCI) 和虚拟现实 (VR) 集成显示空间认知的前景.
- 人工智能 (AI) 可以解码脑电图 (EEG) 信号进行空间任务.
- 对于有效的BCI-VR空间训练,需要先进的信号处理.
研究的目的:
- 提出MSFHNet,一种混合神经网络,用于在空间认知任务中从EEG信号中提取时空特征.
- 在BCI-VR系统中提高EEG数据分析的精度.
- 改善空间认知训练和评估.
主要方法:
- 开发了MSFHNet,一个层次化的混合神经网络.
- 使用多尺度扩展卷积来提取时间特征.
- 集成的通道空间注意力机制和交叉堆叠的模块用于空间特征的精细化和深层融合.
主要成果:
- 在贝塔2频段,MSFHNet表现出卓越的性能.
- 获得了98.58%的分类准确度.
- 在空间任务的EEG信号表示中超越现有模型.
结论:
- MSFHNet显著增强了人工智能驱动的BCI-VR系统的EEG信号表示.
- 这一创新推动了强大的空间认知培训和评估工具的开发.
- 拟议的模型提供了一种精确的方法来解码空间认知环境中的大脑活动.
