一个分布式自适应性网络框架,用于基于ERP的多通道EEG信号的分类
Fatemeh Afkhaminia1, Mohammad Bagher Shamsollahi2, Tahereh Bahraini2
1Department of Electrical Engineering, Sharif University of Technology, Tehran, Iran. fatemeh.afkhaminia@ee.sharif.edu.
Physical and engineering sciences in medicine
|July 22, 2025
概括
本研究提出了一种使用自适应网络和扩散策略的新EEG信号分类方法. 它在识别与事件相关的潜力方面表现得更好,特别是在有限的数据的情况下.
科学领域:
- 神经科学是一个神经科学.
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 通过脑电图 (EEG) 信号了解大脑功能是复杂的.
- 现有的方法面临着非静态EEG数据和有限数据集的挑战.
研究的目的:
- 引入使用分布式自适应网络和扩散策略进行EEG信号分类的新框架.
- 提高与事件相关的潜在 (ERP) 识别,以改善大脑功能分析.
主要方法:
- 将大脑建模为一个多任务网络,用EEG电极作为节点.
- 动态优化网络参数使用节点数据和节点间合作.
- 使用基于扩散的适应策略与适应然后结合 (ATC) 算法.
主要成果:
- 拟议的框架优于EEG数据分类中的常用方法.
- 在ERP模式识别方面表现出卓越的性能,特别是在有限的数据下.
- 具有适应非静态和动态EEG信号特征的能力.
结论:
- 新的框架为EEG信号分类提供了一个强大的解决方案.
- 它的适应性和高效性使其适合于脑计算机接口 (BCI),认知神经科学和临床应用.
