基于ICA的文物删除是否会影响深度学习的解码精度? 是的,可以的!

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:

• 独立组件分析 (ICA) 是建立在传统的机器学习中用于电脑学 (EEG) 解码的文物去除.
• 它在基于深度学习的EEG解码中的有效性需要进一步研究.

研究的目的:

• 调查基于ICA的文物删除对EEG解码深度学习模型准确度的影响.
• 评估ICA在短时间窗口内解码运动图像和执行EEG信号中的实用性.

主要方法:

• 利用ERASE算法从EEG数据中自动删除基于ICA的文物.
• 评估了卷积神经网络 (CNN),长期短期记忆 (LSTM) 和 CEBRA 深度学习模型的性能.
• 分析了健康受试者的运动执行的解码精度和中风患者的运动图像.

主要成果:

• 在所有模型 (CNN,LSTM,CEBRA) 中,F1得分在机动执行 (18.90%-28.38%) 和机动图像 (22.06%-27.90%) 任务中显著改善.
• 地形地图和多重可视化展示了ICA后神经信号的增强空间特异性和可解释性.
• 在健康受试者和中风患者中都观察到显著的性能提升.

结论:

• 基于ICA的文物删除是基于深度学习的EEG解码的宝贵预处理步骤.
• 这种方法对具有高人工物水平的应用特别有希望,例如中风康复.
• 通过ICA提高信号清晰度可以提高神经解码模型的可靠性和可解释性.