使用新型深度学习算法对运动图像EEG信号进行分类
Sathish Mathiyazhagan1, M S Geetha Devasena2
1Department of Computer Science and Engineering, Kumaraguru College of Technology, Coimbatore, 641049, India. sathishmathiyazhagan@gmail.com.
Scientific reports
|July 8, 2025
概括
这项研究引入了运动图像电脑图像 (EEG) 信号分类的新型模型,通过先进的信号处理和自适应深度信念网络 (ADBN) 提高了准确性. 该模型在基准数据集上显著优于现有的方法.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 电脑电图 (EEG) 信号分类对于检测神经系统疾病和监测认知状态至关重要.
- 现有的方法面临挑战,包括信号噪声,主体间的变化和实时处理需求,导致性能降低.
研究的目的:
- 提出一种新的运动图像 (MI) EEG信号分类模型,克服当前的局限性.
- 为了提高分类的准确性和适应性在不同的EEG信号分析条件下.
主要方法:
- 一种混合预处理方法,结合实证模式分解 (EMD) 和连续波波变换 (CWT) 来进行信号模式提取和多分辨率分析.
- 使用源功率连贯性 (SPoC) 与共同空间模式 (CSP) 集成的空间特征增强.
- 使用适应性深度信念网络 (ADBN) 进行分类,并通过远近优化 (FNO) 算法进行优化.
主要成果:
- 在BCI竞争IV数据集2a.上取得了95.7%的准确性,96.2%的回忆,95.9%的精度和97.5%的特异性.
- 在Physionet数据集上提供了94.1%的准确性,94.0%的回忆,93.6%的精度和95.0%的特异性.
- 与卷积神经网络 (CNN),长期短期记忆 (LSTM) 和双向LSTM (BiLSTM) 算法相比,表现出卓越的性能.
结论:
- 拟议的模型为EEG信号分析提供了卓越的分类准确性和适应性.
- EMD,CWT,SPoC,CSP和ADBN的新组合为运动图像EEG分类提供了一个强大的解决方案.
- 这种方法在脑电脑接口和神经监测方面的应用方面具有重大潜力.
