使用3D CNN和LSTM用于康复的运动图像EEG分类方法

科学领域:

• 神经科学
• 机器学习
• 生物医学工程

背景情况:

• 目前使用脑电图 (EEG) 的脑电脑接口 (BCI) 应用由于分类准确性和稳定性的局限性而面临挑战.
• 精确和强大的EEG分类对于推进基于运动图像 (MI) 的BCI至关重要.

研究的目的:

• 开发和评估一种新的EEG分类方法,3D CNN和LSTM用于运动图像 (3D-CLMI),以提高MI任务的准确性和稳定性.
• 以最先进的技术验证拟议方法的性能,并评估其在实际康复环境中的潜力.

主要方法:

• 拟议的3D-CLMI方法将3D卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 与注意力机制结合起来.
• 集成MI-EEG信号从多个通道到3D特征,使用多尺度3D卷积内核提取空间特征.
• 使用并行结构独立提取空间和时间特征,然后将它们组合起来进行分类.

主要成果:

• 在BCI竞争IV 2a数据集上获得了92.7%的分类准确度和0.91的F1得分,超过了现有的方法.
• 在从12名参与者执行四类MI任务的新收集数据集上证明了优异的分类准确性和F1分数.
• 废弃实验证实了3D-CLMI方法中的单个组件的有效性.

结论:

• 3D-CLMI方法为MI-EEG信号分类提供了显著的准确性和稳定性.
• 拟议的方法对实际BCI应用有希望,包括基于VR的手动功能受损患者的康复系统.