用于运动图像的转换波段使用混合CNN修改视觉变压器进行EEG分类:MI EEG的探索性研究

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:

• 传统的波段具有高时间带宽产品 (TBP),阻碍了电脑学 (EEG) 分类中的特征歧视.
• 改进的波纹特性对于提高脑计算机接口 (BCI) 的准确性至关重要.

研究的目的:

• 引入用于EEG信号分析的改造波段带有增强的时间带宽产品 (TBP) 和频率带宽.
• 在EEG分类任务中,评估这些转换波段与传统波段的性能.
• 通过先进的信号处理和机器学习技术来提高运动图像解码精度.

主要方法:

• 开发具有优化的TBP和频段宽度的转换波小组.
• 使用BCI竞争IV (2a,2b) 和CLA的数据集进行评估.
• 使用修改视觉变压器 (MViT) 和混合卷积神经网络 (CNN) -MViT架构.
• 使用局部平均值和主要组件分析 (PCA) 来生成增强的扫描图.

主要成果:

• 转换波段在TBP和频段宽度方面表现出优于Morlet波段的性能.
• 通过局部平均值和PCA生成的增强缩影图始终优于原始缩影图.
• 混合CNN-MViT模型实现了高准确度:82.35%的学科间分类和89.02%的学科内部分类.
• 在运动图像EEG解码中观察到3-4%的显著平均精度增长.

结论:

• 转换波段在EEG信号分析和分类方面比传统波段具有显著的优势.
• 拟议的增强技术,包括基于PCA的扫描图生成,改善了用于运动图像任务的特征提取.
• 混合CNN-MViT模型显示了在机动图像解码中提高BCI性能的巨大潜力.