频道依赖的多层EEG时间频率表示与基于转移学习的深度CNN框架相结合,用于少数频道MIEEG分类

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
• 信号处理 信号处理

背景情况:

• 脑电图 (EEG) 信号分析对于大脑功能研究,临床诊断和脑计算机接口至关重要.
• 识别具有有限通道的运动图像EEG信号对于开发便携式和实时应用至关重要.
• 在低频道数量EEG场景中存在数据稀疏性和特征提取挑战.

研究的目的:

• 提出一种新的框架,用于使用少数道进行增强的运动图像EEG信号分类.
• 开发一种方法,有效地代表来自有限的EEG通道的多维信息.
• 利用深度学习和转移学习来提高稀疏,少频道的EEG数据的分类准确性.

主要方法:

• 一个连续波形变换将时间域EEG信号转换为2D时间频率表示.
• 取决于频道的多层EEG时间频率表示 (CDML-EEG-TFR) 是通过连接这些图像来创建的.
• 一个深度卷积神经网络与EfficientNet骨干,利用预训练的权重转移学习,被用来分析CDML-EEG-TFR.

主要成果:

• 拟议的框架成功地整合了CDML-EEG-TFR的时间,空间和通道特征.
• 转移学习有效地减轻了与少数频道EEG数据固有的数据稀疏性问题.
• 在BCI竞争IV 2b数据集的实验结果中,汽车图像EEG信号的分类准确率达到80.21%.

结论:

• 结合基于EfficientNet的转移学习,CDML-EEG-TFR为少数频道EEG信号分类提供了一个强大的方法.
• 这种方法显著提高了分类准确性,证明了其实际应用的潜力.
• 这项研究为未来在医疗和体育相关领域的研究提供了基础,利用低频道EEG系统.