EEG-SGENet:一个轻量级的卷积网络,集成SGE用于运动图像的大脑和计算机接口
Zhiyang Chen1, Yinan Lu2, Xin Xu3
1School of Internet of Things, Nanjing University of Posts and Telecommunications, China.
Neuroscience
|October 31, 2025
概括
研究人员开发了EEG-SGENet,这是一个轻量级的深度学习模型,用于运动图像大脑计算机接口 (MI-BCI). 该模型平衡了高精度和降低计算成本,为解码电脑图信号提供了一个有前途的新方法.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 基于脑电图 (EEG) 的深度学习模型的运动图像大脑计算机接口 (MI-BCI) 实现了高精度,但受到了模型尺寸和计算需求的增加.
- 在MI分类研究中,平衡模型精度与计算效率是持续存在的挑战.
- 卷积神经网络 (CNN) 容易受到噪音的影响,影响特征表示.
研究的目的:
- 推出一种新的,轻量级的端到端CNN模型,EEG-SGENet,可以提高MI-BCI的准确性和计算效率.
- 通过整合一个空间群智能增强 (SGE) 模块来解决现有模型的局限性,以改善特征提取和减少噪声.
- 在EEG信号分析中实现解码性能和计算成本之间的平衡.
主要方法:
- 拟议的EEG-SGENet是一个新的端到端卷积神经网络,包含轻量级空间群智增强 (SGE) 模块.
- SGE模块增强了有用的功能,并通过生成语义组内的空间位置的注意力因子来抑制噪音.
- 在动力图像分类任务的BCI IV 2a和BCI IV 2b数据集上评估模型.
主要成果:
- 在BCI IV 2a数据集上,EEG-SGENet在四类运动图像分类方面实现了80.98%的准确性.
- 该模型在BCI IV 2b数据集上的两类任务中获得了76.17%的平均分类准确度.
- 与其他轻量级模型相比,对比表明EEG-SGENet在解码性能和计算成本之间提供了更好的平衡.
结论:
- EEG-SGENet在开发高效准确的MI-BCI系统方面取得了重大进展.
- 拟议的模型有效地平衡了高分类准确性和减少计算要求.
- EEG-SGENet是一种有前途的新方法,用于解码脑电图信号在脑电脑接口.
