LPGGNet:从局部-分区-全球图形表示学习运动图像EEG识别

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:

• 现有的运动图像电脑图像学 (MI-EEG) 解码方法在有限的图形表示,多尺度信息未充分利用和适应性差的情况下扎.
• 目前的方法通常依赖于单个连接图表表示,阻碍了对大脑动态的全面分析.

研究的目的:

• 开发一个新的本地分区全球图形学习网络 (LPGGNet),以克服现有的MI-EEG解码技术的局限性.
• 通过整合多视图大脑连接和动态构建的图形结构来增强MI-EEG解码.

主要方法:

• 拟议的LPGGNet使用局部功能相邻矩阵的部分定向一致性 (PDC) 和特征提取的时间卷积.
• 采用一个分区学习模块与高斯中位距离和图形过用于分区内部特征一致性.
• 集成了一个全球学习模块,具有动态计算的相邻矩阵和残余图形卷积,用于与任务相关的表示.

主要成果:

• 在BCI竞争IV-2a数据集上,LPGGNet实现了82.9%的高分类准确率,在实验室数据集上达到87.5%.
• 拟议的模型的性能超过了几种最先进的MI-EEG解码方法.
• 废弃研究证实了LPGGNet架构中的每个模块的重要贡献.

结论:

• 整合多视图大脑连接与动态构建的图形结构显著提高MI-EEG解码性能.
• LPGGNet模型为解码电脑电图 (EEG) 信号提供了一种新,高效和优越的解决方案.
• 这项研究通过增强的EEG信号分析,推进了大脑与计算机接口领域的发展.