一个两阶段的深度学习方法为EEG人工物移除和分类:向可靠的可穿戴应用程序

科学领域:

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

背景情况:

• 电脑图 (EEG) 器件的去除对于精确的神经信号处理至关重要.
• 眼睛的工件,如眼和摇摆动作,大大污染了EEG数据.
• 现有的方法往往难以实时识别和删除文物,特别是在特定的大脑区域.

研究的目的:

• 开发和评估一种新的两阶段系统,用于自动移除和分类EEG器件.
• 为了提高时间和额头脑电图记录中物件移除的准确性.
• 为了实现可靠的文物识别,用于持续监控和脑计算机接口 (BCI) 应用.

主要方法:

• 一种两阶段的深度学习方法,结合了修改后的IC-UNet来删除文物和修改后的VGGNet来进行文物分类.
• 在无声化网络中,并行编码路径与特定频道的特征提取.
• 自动触发基于信号差值值的分类阶段.

主要成果:

• 无声网络在时间 (T5: 0.86,T6: 0.85) 和正面 (F3: 0.83) 区域中实现了预测和地面真实信号之间的高相关系数.
• 该分类网络以99.35%的准确性表现出色,在620个案例中正确分类了616个案例.
• 该系统有效地识别了眼睛的工件,包括眼和动的运动.

结论:

• 拟议的两阶段系统为EEG器件的移除和分类提供了可行和准确的解决方案.
• 这种方法特别适用于时间和耳后EEG记录,这对于可穿戴EEG设备至关重要.
• 这些发现支持开发先进的混合BCI系统和连续EEG监测解决方案.