深度学习解码器对运动图像基于EEG的BCI的现实世界评估

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:

• 在线脑电脑接口 (BCI) 使用运动图像 (MI) 电脑图像 (EEG) 要求在狭窄的时间框架内快速做出决定.
• 大多数当前的深度学习 (DL) EEG解码器都使用延长的窗口长度进行离线优化和验证,从而限制了对其实时有效性的洞察力.

研究的目的:

• 为了弥合DL EEG解码器线下和在线性能评估之间的差距.
• 评估10个代表性的DL解码器在软实时协议下具有2秒窗口的实时适用性.

主要方法:

• 评估了10个DL解码器 (CNN,过器银行CNN,TCN,注意力/变压器混合) 使用软实时协议 (2秒窗口).
• 通过准确度,灵敏度,精度,失误中性率 (MANR),错误报警率 (FAR),信息传输率 (ITR) 和工作负载来量化性能.
• 检查了横向化指数,mu频段功率和地形对比,以将解码器行为与生理标记联系起来.

主要成果:

• 绩效排名在线和线下设置之间发生了显著的转变,学科间的变化增加了.
• 性能最好的在线解码器包括FBLight ConvNet (71.7%) 和EEG-TCNet (70.0%);注意力/变压器模型的稳定性较低.
• 错误主要涉及左右交换,而中立条件保持相对稳定. 与绩效指标相关的特定学科模式.

结论:

• 紧的光谱-时间CNN具有轻量级的时间上下文,在在线EEG解码的稳定短时间窗口性能中表现出色.
• 更深层次的注意力和变压器架构更容易发生主体间和会话间的变化.
• 本研究提供了一个基准和指导,用于在现实世界的限制下开发强大的在线首次EEG解码器.