深度学习的神经生理预测因素基于单边上肢运动图像分类
Justin Sonntag1, Lin Yu1, Xilu Wang2
1Neurocognition and Action - Biomechanics Research Group, Faculty of Psychology and Sports Science, Bielefeld University, Bielefeld, Germany.
Frontiers in human neuroscience
|July 21, 2025
概括
神经生理学特征,如EEG数据中的α和β功率,可以预测运动图像任务的大脑计算机接口 (BCI) 的准确性. 双侧脑电图 (EEG) 通道显示出显著的相关性,这表明单侧运动具有独特的神经机制.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 基于运动图像的脑计算机接口 (BCI) 从想象中的行为解码运动意图.
- 解读单边上肢运动图像仍然具有挑战性,尽管深度学习取得了进展.
- 传统的机器学习比BCI分析的深度学习更受青.
研究的目的:
- 研究神经生理特征对单边运动图像BCI分类准确性的影响.
- 将深度学习模型与用于解码运动图像的传统机器学习分类器进行比较.
- 探索阿尔法和β频段功率与BCI性能之间的关系.
主要方法:
- 使用来自三个深度学习模型 (EEGNet,FBCNet,NFEEG) 和两个机器学习分类器 (SVM,LDA) 的EEG数据,对右肘曲/延伸进行了分类.
- 在眼睛打开和眼睛关闭的休息状态下,分析了来自正面,正面中心和中央电极的绝对和相对α和β功率.
- 与分类器准确度相关的神经生理特征来预测性能.
主要成果:
- 相对的阿尔法频段功率与分类器准确度负相关.
- 绝对和相对β频段功率与分类器准确度正相关.
- 大多数ipsilateralEEG道与分类器准确度有显著的相关性,特别是机器学习分类器.
结论:
- 神经生理学特征,特别是α和β频段功率,可以预测单边运动图像的BCI分类准确性.
- 这些发现表明,独特的神经生理机制,包括双侧抑制和注意力过程,参与了单侧运动图像.
- 深度学习模型显示出潜力,但需要在运动图像BCI分析的背景下进一步探索.
