解码混合EEG-fNIRS上肢运动执行与囊动态图卷积神经网络
概括
这项研究引入了一种新的深度学习模型,EF-CapsDGCN,用于使用脑电图 (EEG) 和功能近红外光谱 (fNIRS) 信号解码上肢运动. 与单一模式方法相比,多式模式方法显著提高了准确性.
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:
- 解码运动执行对于脑计算机接口 (BCI) 至关重要.
- 结合脑电图 (EEG) 和功能近红外光谱 (fNIRS) 提供了用于增强BCI性能的补充信息.
- 现有的方法往往与有效的多式联络融合作斗争.
研究的目的:
- 提出和评估一种新的囊动态图形卷积网络 (EF-CapsDGCN),用于精确解码上肢运动执行.
- 使用拟议的EF-CapsDGCN模型研究融合EEG和fNIRS信号的有效性.
- 将EF-CapsDGCN的性能与最先进的方法和单模式方法进行比较.
主要方法:
- 使用共享的卷积架构从EEG和fNIRS信号中提取特征.
- 功能向囊的动态路由和多式联运囊的形成.
- 通过在囊节点上的动态图形卷积来学习隐藏的表示.
- 在分类之前,用于功能集成的多头自我注意机制.
主要成果:
- 拟议的EF-CapsDGCN在HYGRIP多式联络数据集上实现了优异的分类性能.
- 使用EF-CapsDGCN的多模式EEG-fNIRS融合,与单一模式相比,分类准确度至少增加了8%.
- 该模型显示了与ANN,DeepConvNet,DNN和EF-Net.Net等现有方法相比的显著改进.
结论:
- 囊动态图形卷积对于EEG和fNIRS信号的多式融合是有效的.
- 在基于EEG-fNIRS的BCI中,EF-CapsDGCN模型对精确的运动执行解码非常有前途.
- 这项研究为多式联接BCI解码提供了有效的解决方案,对运动障碍康复具有临床意义.
