CGNet:一个复杂值的图形网络,用于在基于EEG的大脑与计算机接口中共同学习振幅相信息

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
• 信号处理 信号处理

背景情况:

• 基于脑电图 (EEG) 的脑电脑接口 (BCI) 对于理解神经过程至关重要.
• 当前的深度学习方法经常独立处理EEG振幅和相位,错过了它们的协同作用.

研究的目的:

• 开发一种新的深度学习模型,以捕捉EEG信号中的振幅和相位的组合信息.
• 通过利用神经信号振幅和相位之间的相互作用来提高基于EEG的BCI的性能.

主要方法:

• 构建一个复杂值图形网络 (CGNet) 来编码振幅和阶段到一个复杂值表示.
• 采用两级复杂值卷积网络,空间注意力和动态图形卷积来进行时空特征提取.
• 将CGNet扩展为波段CGNet (FBCGNet),以提高对宽带EEG数据的适应性.

主要成果:

• CGNet在运动图像和执行BCI任务方面实现了最先进的分类性能.
• 与CGNet相比,FBCGNet表现出了进一步的性能改善.
• 视觉化证实了CGNet能够识别与BCI范式相关的关键时空信息的能力.

结论:

• CGNet有效地挖掘振幅相信息,在基于EEG的BCI中提供更全面的神经解码.
• 拟议的模型优于单独使用振幅或相位的方法.
• CGNet代表了提高BCI准确性和效率的重大进步.