基于变压器的混合系统用于打击BCI文盲
Maximilian Achim Pfeffer1, Johnny Kwok Wai Wong2, Sai Ho Ling1
1Faculty of Engineering and Information Technology, University of Technology Sydney, New South Wales, Australia.
Computers in biology and medicine
|December 13, 2025
概括
这项研究使用混合变压器和CNN模型增强了脑计算机接口 (BCI),显著提高了信号质量低和BCI文盲的用户的性能.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 大脑计算机接口 (BCI) 面临的挑战是信号噪声比低,用户特定的挑战.
- BCI的文盲问题
- 影响高达20%的用户.
- 变压器模型显示出潜力,但在BCI研究中未得到充分探索.
研究的目的:
- 通过开发和评估新的混合架构来提高脑计算机接口 (BCI) 的性能.
- 解决低信号噪声比的局限性,并提高强弱BCI学习者的分类准确性.
- 研究整合卷积神经网络 (CNN),变压器块和噪声输入技术的有效性.
主要方法:
- 实验A:评估混合卷积和变压器块架构用于二进制电机图像 (MI) 分类.
- 实验B:采用了混合系统,采用精致的块和噪声聚焦块,以实现强大的多类MI分类.
- 实验C:对106个主题的架构进行了评估,重点是跨不同用户学习能力的稳定性.
主要成果:
- 实验A实现了0.914的验证准确性.
- 实验B的架构提高了多类MI分类到84.5%,特别是帮助BCI-文盲用户.
- 实验C显示了高强度的卡帕>83%和88.69%的峰值验证准确度在所有受试者.
结论:
- 变压器,CNN和噪声共振层的混合集成显著提高了BCI分类性能.
- 提出的方法对弱BCI学习者和信号质量低的用户特别有利.
- 建议对优化混合BCI架构和超参数进行进一步的研究,以克服现有的性能限制.
