EEGScaler:一个深度学习网络来缩放EEG电极和手动电机图像解码速度的样本

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 基于运动图像 (MI) 的脑计算机接口 (MI-BCI) 系统通过解码神经信号来帮助中风康复.
• 目前的MI-BCI系统由于仅解码基本运动动作,控制能力有限.
• 使用脑电图 (EEG) 来解码单边MI任务的运动速度是具有挑战性的,因为空间分辨率低.

研究的目的:

• 引入EEGScaler,这是一个端到端的深度学习框架,用于从单方面MI任务中解码速度 (慢与快).
• 通过速度解码来提高 MI-BCI 系统的自由度.
• 为了提高BCI驱动的神经康复的精度和适应性.

主要方法:

• EEGScaler使用多层感知器 (MLP) 网络自适应地调整EEG样品和电极.
• 时空特征采用时间和深度的卷积波器来提取.
• 该模型使用主体独立的预训练和主体特定的微调.

主要成果:

• 在解码快速和慢速MI速度任务时,EEGScaler实现了65.98%的平均交叉验证准确率.
• 拟议的模型的性能大约比现有方法高出6%.
• 来自单边MI任务的速度解码的EEG数据的特定对象缩放被证明是新的.

结论:

• EEGScaler有效地从单边MI任务中解码运动速度,增强MI-BCI控制.
• 这一进步为神经康复应用提供了更自然,更直观的界面.
• 这些发现支持了更精确和更适应的BCI驱动疗法的潜力,以适应个体患者的需求.