一种混合方法用于EEG运动图像分类,使用自适应边缘差异和卷积神经网络中的知识转移
Senthil Vadivelan D1, Prabhu Sethuramalingam2
1Department of Mechanical Engineering, SRM Institute of Science and Technology, KTR Campus, Kattankulathur, Chennai, 603 203, India.
Computers in biology and medicine
|June 30, 2025
概括
这项研究引入了一个新的2D模型用于大脑-计算机接口 (BCI) 技术,该技术增强了来自EEG信号的运动图像 (MI) 分类. 这种新的方法在区分左手和右手运动方面取得了很高的准确性.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 基于脑电图 (EEG) 的脑电脑接口 (BCI) 技术对于解释设备交互的脑信号至关重要.
- 传统的卷积神经网络 (CNN) 由于固定卷积参数而难以捕捉1DEEG-MI信号中的各种时间和空间特征.
- 现有的方法在适应不同EEG信号特征方面存在局限性.
研究的目的:
- 引入一个新的框架,即适应性边际差异与知识转移2D模型 (AMD-KT2D),用于增强EEG-MI分类.
- 提高CNN从EEG信号中捕获动态时间和空间特征的能力.
- 为了实现更高的准确性,在BCI应用程序的机动图像任务的分类.
主要方法:
- EEG-MI信号被转换为2D时间频率表示,使用优化短时间里埃转换 (OptSTFT).
- 采用了指导学习架构,集成了Improved ResNet50 (IResNet50) 来进行高级特征提取,以及定制的2D卷积神经网络 (C2DCNN) 来进行多层次特征捕获.
- 使用自适应边际差异差异 (AMDD) 损失函数来最大限度地减少域差异,并促进知识转移.
主要成果:
- 对于主题依赖的任务,AMD-KT2D模型实现了96.75%的分类准确度.
- 独立于主体的分类准确率达到了92.17%.
- 该框架在领域适应,知识转移和多尺度特征学习方面表现出有效性.
结论:
- AMD-KT2D框架显著提高了对BCI应用的EEG-MI分类准确性.
- 导向学习架构OptSTFT和AMDD损失函数的集成证明了捕获复杂的EEG信号特征的有效性.
- 这种方法对推进现实世界基于EEG的BCI系统充满希望.