模拟在理曼分歧上的多尺度时间频率复杂网络,用于电机图像的BCI分类与图形卷积网络
Jieren Xie1, Guanghua Xu2, Zengyao Yang1
1School of Mechanical Engineering, Xi'an Jiaotong University, Xi'an 710049, China.
ISA transactions
|August 14, 2025
概括
这项研究引入了基于里曼几何学的新型图形卷积网络 (GR),通过分析多尺度EEG信号来提高运动图像脑电脑接口 (MI-BCI) 分类准确性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 运动图像大脑-计算机接口 (MI-BCI) 分类与低准确性和捕捉复杂的EEG时空动态作斗争.
- 当前的里曼几何分类器经常忽略了EEG信号的多尺度时间和频率特征,从而限制了性能.
研究的目的:
- 通过将多尺度分析集成到里曼几何学中,提出一个新的框架来增强MI-BCI分类.
- 为了提高特征提取能力,以实现更准确的EEG信号解码.
主要方法:
- 在里曼几何学 (GR) 框架中引入了一个图形卷积网络.
- 利用虚拟节点来捕获全球拓特征.
- 跨时间和频率域的综合空间特征,用于多尺度分析.
主要成果:
- 在三个公共数据集上,平均分类准确率为91.87%,87.96%和82.50%.
- 通过废除研究,通过传统的单一尺度方法显示了9.85%的平均精度改进.
- 显著提高了里曼几何分类器的特征提取能力.
结论:
- 拟议的GR方法有效地解决了MI-BCI的传统里曼几何分类器的局限性.
- 这项研究为多尺度EEG信号分析提供了新的视角,并推进了MI-BCI技术.
