科塞卢:在中风患者中进行EEG信号识别的改进激活深度神经网络

科学领域:

• 神经科学和生物医学工程
• 医疗保健中的机器学习

背景情况:

• 运动成像脑电图 (MI-EEG) 信号识别对于中风患者康复至关重要.
• 传统的深度神经网络在中风患者脑电图数据上面临着爆炸和消失的梯度问题,从而降低了识别精度.
• 现有的激活功能不足以处理中风患者脑电图信号的复杂性.

研究的目的:

• 开发和研究一种自适应激活函数,以解决MI-EEG信号的深度神经网络训练中的梯度问题.
• 为了提高脑电图信号的识别率从中风患者.
• 引入一个新的CosELU激活功能,以提高深度学习模型在这个领域的性能.

主要方法:

• 开发一个自适应激活函数 (CosELU),使用可调的参数"a"和自适应参数"λi+"监测梯度.
• 专门用于EEG信号分类的注意力机制卷积神经网络 (AMCNN) 的设计.
• 在AMCNN架构中使用中风患者EEG数据集集集成和训练CosELU激活功能.

主要成果:

• 拟议的自适应激活功能有效地缓解了在深度神经网络训练期间爆发和消失的梯度问题.
• 当在AMCNN中使用CosELU激活功能时,它在对中风患者的EEG信号进行分类时表现出更好的有效性.
• 对中风患者数据集的验证证实了CosELU集成的AMCNN的卓越性能.

结论:

• 新的CosELU自适应激活功能为中风康复中的MI-EEG信号识别提供了显著的改进.
• 这种方法通过解决关键梯度问题来提高深度学习模型的稳定性和准确性.
• 该CosELU功能为推进脑计算机接口和神经康复技术提供了一个有前途的解决方案.