MS-CANet:基于EEG的空间认知评估的轻量级多尺度通道注意网络,具有深度残余块

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 对空间认知能力的客观评估对于早期发现认知障碍和神经康复至关重要.
• 目前用于脑电图 (EEG) 分析的深度学习方法通常很复杂,导致概括性差,并阻碍了移动医疗保健的部署.
• 需要有效和准确的EEG分析模型来评估空间认知.

研究的目的:

• 提出一种新的,轻量级的深度学习网络,用于客观地评估使用EEG信号的空间认知能力.
• 克服复杂的深度学习模型的局限性,例如糟糕的概括和高的计算成本.
• 为了使先进的EEG分析在移动医疗保健设备上的实际部署.

主要方法:

• 开发了一种轻量级的多尺度通道注意力网络,包含深度残留块.
• 利用多尺度的卷积层来捕捉EEG信号中的各种时间和空间模式.
• 实施了道注意力机制,用于信息EEG道的动态优先级,并引入深度可分离的剩余块,以减少计算复杂性.

主要成果:

• 与空间认知EEG数据集的基线模型相比,拟的网络实现了更高的准确性.
• 该模型具有显著减少的参数数量 (8.453M),提高了移动部署的效率和实用性.
• 尽管计算复杂性降低,但表现稳定的性能.

结论:

• 这种新型的轻量级网络提供了一种高效准确的解决方案,用于使用EEG进行空间认知能力评估.
• 该模型的效率使其适合在移动医疗设备上部署,从而促进更广泛的可访问性.
• 该网络显示了对一系列认知障碍的早期查和干预策略的潜力.