识别和预测在线应用程序的序列对序列深度学习模型的EEG微态

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 信号处理 信号处理

背景情况:

• 脑电图 (EEG) 微静态提供高时间分辨率的脑活动洞察力.
• 目前基于集群的EEG微态分析方法离线且计算密集,限制了它们的应用.
• 现有的离线方法对于跨主题,跨数据集和多任务场景是不够的.

研究的目的:

• 为在线EEG微态识别和预测开发一种新的序列对序列框架.
• 为了实现从端到端的识别和预测,从EEG信号到微状态标签.
• 为EEG微态分析提供一种更有效,更具适应性的方法.

主要方法:

• 提出了一种用于在线微状态识别和预测的新型序列对序列框架.
• 开发了用于构建训练数据集的方法,包括微态标签校准,EEG电极映射和序列数据分区.
• 在两个公共EEG数据集上使用四种不同的神经网络模型验证了该方法.

主要成果:

• 实现了跨主体微态识别精度,在四个微态中高达74.26%,在七个微态中高达66.76%,优于KNN.
• 四个微状态的预测准确度为70.49%,七个微状态的预测准确度为62.71%.
• 证实可训练模型可以有效地识别和预测EEG微态.

结论:

• 先进的EEG微态分析从离线范式到在线模型-数据混合计算范式.
• 拟议的框架为跨主题和跨数据集的EEG微态应用提供了新的见解和参考.
• 这种方法提高了在各种研究环境中使用EEG微态的可行性和范围.