用SVM增强的注意力机制用于运动图像EEG分类在脑电脑接口中的脑电脑分类
Zhenis Otarbay1,2, Abzal Kyzyrkanov1
1Department of Science and Innovation, Astana IT University, Astana, Kazakhstan.
Frontiers in neuroscience
|July 28, 2025
概括
这项研究引入了用于脑计算机接口 (BCI) 的新型深度学习模型,该模型增强了脑电图 (EEG) 信号分类. SVM增强的注意力机制提高了运动图像任务的准确性,有利于运动障碍的人.
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
- 生物医学工程 生物医学工程
背景情况:
- 大脑-计算机接口 (BCI) 允许使用大脑信号进行通信和控制,这对于运动障碍患者至关重要.
- 使用脑电图 (EEG) 的基于运动图像 (MI) 的BCI面临信号变化,噪声和重叠类等挑战.
- 现有的深度学习模型 (CNN,LSTM) 改进了EEG分类,但在重叠MI类的歧视性特征方面存在困难.
研究的目的:
- 开发一个混合深度神经网络,结合CNN,LSTM和一种新的SVM增强注意力机制.
- 通过将支持矢量机 (SVM) 边际最大化集成到自我注意力中,提高EEG特征学习中的类间分离性.
- 提高基于MI的BCI的性能和稳定性,以改进EEG解码.
主要方法:
- 一种混合深度神经架构,结合了卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络.
- 介绍了一种新的SVM增强注意力机制,将SVM的边际最大化嵌入到自我注意力计算中.
- 使用四个基准数据集 (Physionet,Weibo,BCI竞争IV 2a,2b) 进行评估,采用一个Leave-One-Subject-Out (LOSO) 交叉验证协议.
主要成果:
- 与基线CNN-LSTM模型和传统注意力机制相比,分类准确度,F1得分和灵敏度的持续改进.
- 通过SVM增强的注意力机制,在EEG特征中证明了增强的类间分离性.
- 显著降低计算成本,表明适合实时BCI应用.
结论:
- 拟议的SVM增强注意力机制有效地提高了基于MI的BCI中的EEG解码性能.
- 混合深度学习模型为复杂的EEG信号的强大而准确的分类提供了一个有希望的方法.
- 这种方法提高了特征相关性和几何类别的分离性,推进了运动障碍的辅助技术领域.
