基于罗马统治的尖端神经网络,用于优化四类运动图像的EEG信号分类
Raja Sekhar Banovoth1, Kadambari K V1
1Department of Computer Science and Engineering, National Institute of Technology Warangal, Telangana, 506004, India.
Computers in biology and medicine
|June 11, 2025
概括
这项研究引入了一种新的罗马统治尖端神经网络 (RDSNN) 用于运动图像分类. 与现有方法相比,RDSNN提高了准确性,并大大减少了计算时间.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 尖端神经网络 (SNN) 模仿生物神经元,提供能源效率和时空处理能力.
- SNN适用于大脑信号分析,特别是用于运动图像的脑电图 (EEG).
- 在SNN结构的局限性阻碍了特征提取的运动图像分类.
研究的目的:
- 引入一种新的尖端神经网络模型,将罗马统治 (RDSNN) 纳入.
- 为了提高特征提取和分类准确性,用于运动图像信号.
- 提高SNN在脑-计算机接口中的计算效率.
主要方法:
- 纳入罗马统治原则以识别高度相关的神经通道或节点.
- 利用已识别的道来确定峰值生成的最佳值.
- 使用增强的尖端神经网络架构对运动图像信号进行分类.
主要成果:
- 在三个数据集中,RDSNN模型实现了高精度:73.65% (PhysioNet),81.75% (BCI竞争IV-2a) 和84.56% (BCI竞争IV-2b).
- 与当前最先进的 (SOTA) 方法相比,表现出卓越的性能.
- 由于罗马统治战略,计算时间减少了35%.
结论:
- 拟议的RDSNN模型有效地解决了传统SNN在运动图像分类中的局限性.
- 罗马统治时期的集成提高了准确性和计算效率.
- RDSNN在脑电脑接口和神经信号处理方面呈现出有前途的进步.
