量子增强的EEG分类器向大脑控制的轮椅导航方向发展
Prabhat Kumar Upadhyay1, Kumar Avinash Chandra1
1Department of Electrical & Electronics Engineering, Birla Institute of Technology, Mesra, Ranchi, Jharkhand, India.
Neuroscience
|November 9, 2025
概括
这项研究引入了一种量子增强的CNN-LSTM模型,用于分类电脑图信号,实现大脑-计算机接口的高精度. 这种新的方法增强了用于轮椅等辅助技术的机动图像解码.
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
- 量子计算是一种量子计算.
背景情况:
- 大脑-计算机接口 (BCI) 能够实现辅助技术,但由于噪音和可变性,在精确的脑电图 (EEG) 信号分类方面面临挑战.
- 运动图像 (MI) 的分类对于控制诸如脑控制轮椅之类的设备至关重要.
研究的目的:
- 开发一种混合量子增强CNN-LSTM模型 (HQeCL) 以改进基于EEG的MI分类.
- 整合各种EEG特征 (频率,空间,非线性) 和量子启发的技术,以进行可靠的分类.
主要方法:
- 提出了一个混合模型 (HQeCL),将卷积神经网络 (CNN) 和长短期记忆 (LSTM) 与模拟的量子聚合层相结合.
- 综合功率光谱密度 (PSD),共同空间模式 (CSP) 和量子,用于全面的特征提取.
- 在8通道MI数据集上使用离开一个主体的交叉验证 (LOSO) 进行评估.
主要成果:
- 实现了高性能指标:92.1%±5.9准确度,93.1%±6.2精度,91.9%±1.3回忆,92.5%±1.3F1得分,以及科恩的 κ=0.89±0.02.
- 超越了CSP-LDA,ShallowConvNet和CNN-LSTM等现有方法的性能,证明了与QuEEG.Net具有竞争力的结果.
- 除研究证实了量子聚合 (精度为0.7%) 和UMAP对特征减少的好处.
- 证明了0.12M参数,270.2M FLOP和77.6ms推理延迟的计算效率.
结论:
- HQeCL模型为基于EEG的运动图像解码提供了一种量子灵感,高效和高性能解决方案.
- 该方法在模拟中显示了近实时的可行性,推进了先进的大脑控制辅助技术的潜力.
- 对于硬件实现,需要进行进一步的研究,才能充分实现这一BCI进步的潜力.
