通过二维CNN-LSTM深度架构和模糊的决策,对EEG运动图像进行分类

科学领域:

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

背景情况:

• 通过脑电图 (EEG) 检测运动图像 (MI) 对脑电脑接口 (BCI) 至关重要.
• 现有的方法经常与噪音作斗争,需要复杂的功能工程.
• 强大而准确的自动检测仍然是一个重大挑战.

研究的目的:

• 开发一个深度学习框架,用于从原始EEG信号中自动检测运动图像.
• 通过特征融合,在噪音严重的EEG条件下提高决策可靠性.
• 为了提高运动图像分类的性能.

主要方法:

• 使用短时间里埃转换 (STFT) 提取了六个带功率特征.
• 为每个频段训练了专门的2D卷积神经网络-长期短期记忆 (CNN-LSTM) 模型.
• 融合模型输出使用Choquet模糊积分来提高可靠性.

主要成果:

• 阿尔法频段模型实现了88%的准确性;西格玛频段模型实现了87.1%的准确性.
• 融合深度学习架构在BCI IV-2a数据集上达到90.4%的准确性.
• 该系统在BCI IV-1数据集上实现了92.21%的准确性,超过了现有的方法.

结论:

• 拟议的深度学习框架为运动图像检测提供了强大而准确的方法.
• 融合战略有效地提高了在杂的EEG数据中的决策可靠性.
• 这种方法显著提升了BCI运动图像分类的最新技术.