从EEG信号推断手臂运动方向,使用可解释的深度学习

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:

• 从大脑信号中解码人类运动对于开发自然主义的大脑与计算机接口 (BCI) 至关重要.
• 传统的机器学习方法已经被使用,但深度学习应用在这个领域仍然有限.
• 脑电图 (EEG) 提供了一种非侵入性方法来捕捉大脑活动.

研究的目的:

• 评估一个卷积神经网络 (CNN) 解码运动方向从EEG信号在达到任务.
• 通过解释技术,研究CNN模型的可解释性.
• 评估基于CNN的EEG解码对于非侵入性BCI的可行性.

主要方法:

• 收集了20名健康参与者的EEG数据,这些数据是在延迟到达中心的任务中收集的.
• 利用EEGNet,一种CNN架构,将运动方向分为三个场景:细方向,粗方向和近距离.
• 应用DeepLIFT和闭塞测试用于时空EEG特征分析和模型解释性.

主要成果:

• 美国有线电视新闻网 (CNN) 的解码精度高于偶然:平均为0.45 (五个终点),0.64 (三个终点) 和0.70 (两个终点).
• 可解释性分析表明,运动方向信息主要是在准备阶段被编码的.
• 参与解码的关键大脑区域被确定为头顶和头顶尾区域.

结论:

• 基于CNN的EEG解码是一种可行和可解释的方法来分析伸手运动.
• 这些发现为视觉运动规划机制提供了宝贵的见解.
• 这项研究支持非侵入性脑电脑接口的发展.