基于高斯连接的EEG成像用于基于深度学习的运动图像分类
Alejandra Gomez-Rivera1, Diego Fabian Collazos-Huertas1, David Cárdenas-Peña2
1Signal Processing and Recognition Group, Universidad Nacional de Colombia, Manizales 170003, Colombia.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
一个新的高斯连接驱动的EEG成像表示网络 (EEG-GCIRNet) 通过提高准确性和减少变化来改善运动图像脑电脑接口 (BCI). 这种新的方法显著帮助BCI文盲的用户,推进神经康复技术.
科学领域:
- 神经科学和生物医学工程
- 大脑与计算机接口 (BCI)
- 机器学习用于医疗保健
背景情况:
- 基于脑电图 (EEG) 的运动成像 (MI) BCI为神经康复提供了潜力,但面临着诸如低空间分辨率和主体间变异性等挑战.
- 传统的方法 (CSP,CNN) 在MI分类中难以实现稳定性,概括性和可解释性.
- 现有的BCI经常无法充分解决BCI文盲问题,限制了它们的实际应用.
研究的目的:
- 引入EEG-GCIRNet,这是一个整合高斯连接的新型网络,以及用于改进MI分类的规范化LeNet.
- 提高基于EEG的BCI的稳定性,概括性和可解释性.
- 克服当前方法的局限性,缓解BCI文盲问题.
主要方法:
- 开发了EEG-GCIRNet,这是一个可变的自动编码器框架,将原始EEG信号与功能连接的地形图相结合.
- 采用多目标损失函数,优化重建,分类准确性和潜在空间规范化.
- 利用可解释性技术,如潜在空间可视化和Grad-CAM++进行验证.
主要成果:
- 在二进制分类中,EEG-GCIRNet实现了最高的平均准确率 (81.82%) 和最低的变化率 (±10.15%),超过了最先进的方法.
- 该模型完全消除了BCI文盲中的"坏"绩效组,这些用户的准确性提高了22%.
- 在具有统计优势 (p=0.002) 的五类场景中,已证明具有竞争力的准确性 (75.20%±4.63).
结论:
- EEG-GCIRNet为基于EEG的BCI提供了一个强大的和可解释的端到端框架.
- 该方法有效地解决了BCI文盲问题,并显示出可靠的神经技术在康复和辅助应用中的希望.
- 解释性分析证实该模型捕捉了真正的神经生理机制,这些机制是MI分类的基础.
