从EEG信号中解码运动图像,使用优化后传神经网络与蜂的算法

科学领域:

• 神经科学和生物医学工程
• 信号处理和机器学习

背景情况:

• 使用脑电图 (EEG) 的脑电脑接口 (BCI) 系统对于解码运动图像 (MI) 至关重要,并且在医学和辅助技术中具有应用.
• 现有的基于EEG的BCI面临挑战,包括信号噪声,低解码精度和信号不稳定性.

研究的目的:

• 提出一种新的方法来从EEG信号中分类运动图像 (MI),解决当前BCI系统的局限性.
• 为了提高EEG信号解码的准确性和稳定性,用于BCI应用.

主要方法:

• 一种结合希尔伯特-黄变换 (HHT) 进行预处理的协同方法,用于特征提取的变换条件互信息通用空间模式 (PCMICSP),以及使用蜂蜜子算法 (HBA) 进行分类的优化反向传播神经网络 (BPNN).
• 蜂蜜子算法 (HBA) 用于优化BPNN的权重和值,并结合了用于精细优化的混乱机制.

主要成果:

• 对EEGMMIDB基准数据集的实验分析证明了拟议方法的效率.
• 该技术在EEG信号上达到89.82%的最大分类精度,优于其他方法.
• 该研究考虑了和非的EEG信号水平,突出了开发的机制的稳定性.

结论:

• 拟议的HBA优化的BPNN与HHT和PCMICSP在基于EEG的BCI中为运动图像分类提供了显著的进步.
• 该方法表现出更高的准确性和稳定性,解决了当前BCI技术的关键挑战.
• 这种方法有望提高辅助技术和康复工具的有效性.