创新的增强技术和优化的ANN模型用于基于EEG的BCI中的想象语音解码.

科学领域:

• 神经科学与康复工程 神经科学与康复工程
• 大脑与计算机接口 (BCI) 技术
• 信号处理和机器学习

背景情况:

• 脑电图 (EEG) 信号对于脑电脑接口 (BCI) 至关重要,特别是对于神经障碍患者解码想象式语音.
• 脑电图信号的非静止性和有限的数据集大小给开发强大的机器学习算法带来了重大挑战.
• 通过EEG-BCI有效解码想象语音可以为严重运动残疾的人提供沟通能力.

研究的目的:

• 提出和评估EEG数据增强方法,以解决数据稀缺问题,并提高机器学习模型的可靠性,用于想象语音解码.
• 引入一种新的神经网络架构,旨在检测特定于想象语音任务的EEG信号的微妙变化.
• 与基线方法相比,证明拟议的增强技术和新型架构在提高分类性能方面的有效性.

主要方法:

• 研究了七种不同的EEG数据增强技术,包括高斯噪声,以增加数据集的可变性.
• 开发并实施了一种新的神经网络架构,用于分析在想象语音期间的EEG信号变化.
• 使用精度,F1得分和kappa指标评估模型性能,将增强数据结果与非增强基线进行比较.

主要成果:

• 拟议的模型在使用高斯噪声增强时实现了91%的显着准确性来分类长词.
• 脑电图数据增强显著提高了各种指标的模型稳定性和分类性能.
• 新型架构在增强的EEG数据集中检测歧视性特征方面表现出有效性.

结论:

• 脑电图数据增强是一种可行的策略,可以克服脑电脑接口 (BCI) 研究的数据稀缺性挑战.
• 提出的新型架构和增强方法显示出对推进基于EEG的通信系统的重大前景.
• 这种方法有可能恢复言语和运动障碍患者的沟通能力.