基于波波变换和时空域处理的运动图像任务的EEG-fNIRS双模脑信号的分类

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
• 信号处理 信号处理

背景情况:

• 脑电图 (EEG) 和功能近红外光谱 (fNIRS) 提供互补的神经信息,但在时间对齐和大脑计算机接口 (BCI) 的共享表示方面面临挑战.
• 截然不同的生理机制和EEG和fNIRS的数据特性阻碍了有效的多式联络整合.
• 现有的聚变方法往往缺乏效率或与异质数据特征作斗争.

研究的目的:

• 开发一种轻量级,有效的双模解码框架 (BiCAT) 来集成EEG和fNIRS信号.
• 为多式联络BCI解决时间对齐和特征提取的挑战.
• 提高BCI的解码精度和计算效率,使用结合的EEG和fNIRS数据.

主要方法:

• BiCAT采用波波变换来进行信号消噪和文物抑制.
• 时空处理细化了特征,保留了与任务相关的模式.
• 早期的功能级融合与紧的变压器编码器使联合自我注意力能够获得突出的时间线索捕获.

主要成果:

• 在运动图像 (MI) 上,BiCAT 实现了 93.41% 的精度,超过单模 fNIRS 的 4.39%.
• 对于心理算术 (MA) 和词生成 (WG),BiCAT分别达到96.47%和96.41%的准确性,表现优于基线.
• 与其他多式联方法相比,该模型表现出具有竞争力的性能,参数显著减少 (111k).

结论:

• BiCAT为双模EEG-fNIRS功能集成提供了有效和计算效率高的解决方案.
• 该框架在各种BCI任务中表现出强的表现,突出了其多功能性.
• BiCAT通过轻量级架构实现更高的解码精度来推进多式联通BCI.