基于takens的内核转移透连接网络用于运动图像分类

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 从脑电图 (EEG) 信号解码运动图像 (MI) 是由于信号的复杂性而具有挑战性的.
• 现有的方法通常需要大量的预处理,并与非线性,杂和非静止的EEG数据作斗争.
• 准确的功能连接估计对于强大的脑电脑接口 (BCI) 系统至关重要.

研究的目的:

• 开发一个端到端的深度学习模型,TEKTE-Net,用于推断基于MI的BCI系统中的定向功能连接.
• 通过整合时间嵌入和内核化转移值估计器,使EEG活动的可靠解码无需显式预处理.
• 在BCI应用中增强深度学习模型的可解释性.

主要方法:

• 提出了TEKTE-Net,这是一个端到端的深度学习架构,通过自定义卷积模块集成Takens的嵌入.
• 在可微分框架内使用内核化转移值估计器与合理二次核,以估计非线性,时间延迟的相互作用.
• 评估了半合成因果基准模型和BCI竞争IV 2a数据集.

主要成果:

• 在低信号噪声比条件下,TEKTE-Net 证明了其稳定性.
• 该模型通过对功能连接的时间,空间和光谱分析提供了可解释的见解.
• 在MI期间观察到自动突出显示逆侧激活和贝塔和马频段的光谱选择性.

结论:

• TEKTE-Net作为功能性大脑连接的完全可训练的估计器,用于解码EEG活动.
• 该模型支持基于运动图像的先进的大脑计算机接口 (MI-BCI) 应用程序.
• 在神经科学研究中,TEKTE-Net促进了深度学习模型的可解释性.