通过功能预定义的卷积神经网络提高自发EEG信号解码效率

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 基于自发脑电图 (EEG) 的脑电脑接口 (BCI) 提供了直观的交互,但在经典解码方法中面临性能限制.
• 神经网络 (NN) 方法可以提高性能,但往往缺乏可解释性和计算效率.
• 将神经科学原则纳入NN设计对于推进BCI技术至关重要.

研究的目的:

• 开发一种新型的NN运算器,集成神经信号特征来解码自发EEG.
• 提高基于EEG的BCI的性能,可解释性和计算效率.
• 解决EEG特征提取现有的NN方法的局限性.

主要方法:

• 提出了一个功能预定义卷积神经网络 (FPCNN),其中包含了一个新的功能预定义卷积 (FPC) 层.
• 开发了一种基于FPC的可训练式四边形探测器 (TQD),以捕获EEG信号的复杂相变.
• 集成的空间频率参数在FPC层内搜索可解释的特征提取.

主要成果:

• 在三个自发EEG数据集上,FPCNN在最先进的方法上显示出显著的性能改善 (2.09%3.41%).
• 在非GPU环境中实现了高效的训练和测试时间 (每时代67.96s和19.36s).
• 可视化实验证实了FPCNN模型的可解释性和稳定性.

结论:

• 拟议的FPCNN有效地解码自发的EEG信号,提高了准确性和效率.
• 新的FPC层和TQD为EEG分析提供了可解释和具有物理意义的参数.
• 这项工作突出了将传统信号处理与NN相结合的好处,以实现强大的和高效的BCI应用.