生成运动图像动态网络:通过个性化模型培训通过EEG控制的抓取
Xiaolong Wu1,2, Dingfu Long1,2, Jianhong Yang1,2,3,4
1School of Mechanical Engineering, University of Science and Technology Beijing, Beijing, China.
Cognitive neurodynamics
|November 7, 2025
概括
本研究介绍了使用动态网络和合成数据生成的个性化脑计算机接口 (BCI) 模型. 这种新的方法显著提高了准确性,并减少了对电脑电图 (EEG) 控制的抓取任务的数据需求.
科学领域:
- 神经科学和生物医学工程
- 机器学习用于信号处理.
背景情况:
- 非侵入性脑电脑接口 (BCI) 需要准确的,个性化的模型,用于日常使用.
- 小样本学习和合成数据增强对于个性化BCI培训至关重要.
- 由于基于人口的培训,现有的BCI模型往往缺乏通用性.
研究的目的:
- 通过使用动态网络和合成数据开发个性化的BCI模型培训框架.
- 为了提高精度和减少电脑电图 (EEG) 控制的运动成像 (MI) 任务的样本大小要求.
- 通过个性化的动态网络生成,实现可靠的EEG控制的抓取.
主要方法:
- 使用电脑电图 (EEG) 信号从八个实验对象执行右手抓住运动图像 (MI).
- 在MI期间使用的形态模式频谱 (MPS) 来编码EEG电位.
- 使用生成对抗网络 (GAN) 或变异自编码器 (VAE) 结合MPS编码生成个性化的动态网络.
主要成果:
- 个性化的BCI模型,特别是使用Wasserstein GAN和Granger因果关系 (GC) 动态网络编码的MPS,实现了平均真假阳性率 (TPR/FPR) 的90.0%/0.0%.
- 这显著超过非个性化的模型 (52.9%/4.4% TPR/FPR).
- 长期短期记忆 (LSTM) 架构在生成和分类方面显示出更好的AUC (0.003-0.07),证明了"生成-个体"方法的有效性.
结论:
- 拟议的"生成-个体"BCI框架有效地减少了样本大小要求,同时保持了高精度.
- 个性化动态网络生成增强了机动图像任务的BCI性能,使复杂的命令输出成为可能.
- 这种方法为开发个性化,高性能的非侵入性BCI提供了可靠和有效的方法.
