[一个时间频率转换和基于里曼数组的域适应方法用于大脑源空间中的运动图像]

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:

• 跨主体运动图像脑电图 (MI-EEG) 分析由于多维特征变化而面临挑战.
• 准确的特征提取和域调整对于强大的脑计算机接口至关重要.

研究的目的:

• 提出一个新的网络,TFRMDANet,通过解决跨主题特征变化来加强MI-EEG分析.
• 为了利用时间频率转换和里曼的多元体在一个高维的大脑源空间的域适应.

主要方法:

• 利用源图像来重建神经电活动,并计算区域皮质双极.
• 用于多子频段时间频率特征提取的波波变换.
• 设计了一种具有SE模块,通道注意力和多尺度融合的两级多分支特征提取器.
• 集成的里曼纳数组嵌入和对抗训练,用于域不变特征学习.

主要成果:

• TFRMDANet实现了很高的分类准确度:BCI竞争IV数据集2a的77.82%和高马数据集的90.47%.
• 获得的卡帕值分别为0.704和0.826,F1分数分别为0.780和0.905.
• 证明皮质二极管提供精确的时频MI特征,网络在时频空间结构特征提取方面表现出色.

结论:

• 皮层二极管为MI-EEG分析提供精确的时间频率表示.
• 拟议的TFRMDANet架构有效地提高了大脑源空间的域适应.
• 网络的多分支设计和特征提取能力导致了优越的跨主题MI-EEG分类.