增强电脑图变压器用于静态视觉唤起的基于潜力的脑电脑接口
Jin Yue1, Xiaolin Xiao1,2, Kun Wang1,2
1Academy of Medical Engineering and Translational Medicine, Tianjin University, Tianjin, People's Republic of China.
Cyborg and bionic systems (Washington, D.C.)
|October 9, 2025
概括
这项研究介绍了背景EEG混合 (BGMix) 和增强EEG变压器 (AETF) 模型,通过增强的脑电图解码显著改善高速稳定状态视觉唤起的潜在脑电脑接口系统.
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:
- 高速稳定状态视觉唤起潜力 (SSVEP) 大脑计算机接口 (BCI) 系统需要先进的脑电图 (EEG) 解码.
- 当前的深度学习方法面临着数据稀疏性和增强技术不清楚的神经支的挑战.
- 处理动态EEG信号和增强数据需要根据EEG特征量身定制的复杂模型.
研究的目的:
- 介绍背景EEG混合 (BGMix),一种新的,神经基础的EEG数据增强技术.
- 提出增强EEG变压器 (AETF),这是一个基于变压器的深度学习模型,用于EEG信号处理.
- 提高基于SSVEP的高速BCI系统的性能和实用性.
主要方法:
- 开发了BGMix,通过取代课程之间的背景噪音来增强训练样本.
- 设计了AETF模型以捕捉使用变压器架构的时间,空间和频率EEG特征.
- 在两个公共SSVEP数据集上评估了BGMix和AETF.
主要成果:
- 在四个深度学习模型中,BGMix提高了分类准确度4.81%25.17%.
- AETF的表现优于最先进的模型,尤其是有限的培训数据.
- AETF实现了205.82 ± 15.81和240.03 ± 14.91比特/分钟的高信息传输速率 (ITR).
结论:
- BGMix和AETF代表了EEG增强和深度学习模型设计的重大进展.
- 这些创新是由神经过程提供信息,改进了EEG解码.
- 该研究提高了高速SSVEPBCI的性能和适用性.
