通过使用超高密度EEG数据的三明治增强CBAM网络来推进个体手指的分类
Xinguo Zhang1, Yiman Zhang2, Hong Peng3
1Key Laboratory of China's Ethnic Languages and Information Technology of Ministry of Education, Chinese National Information Technology Research Institute, Northwest Minzu University, Lanzhou, China.
Frontiers in human neuroscience
|March 6, 2026
概括
我们开发了一种新型的三明治增强卷积区注意模块 (SCBAM),用于超高密度脑电图 (uHD EEG),以解码单个手指运动. 我们的SCBAM模型显著提高了大脑计算机接口 (BCI) 中灵巧任务的分类准确性.
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:
- 超高密度脑电图 (uHD EEG) 显示出对个别手指解码的承诺.
- 精确分类微妙的手指运动是具有挑战性的,因为重叠的皮质活动.
- 标准的神经网络架构难以隔离这些细粒度的空间特征.
研究的目的:
- 为了引入一种新的深度学习架构,三明治增强了卷积块注意力模块 (SCBAM),用于使用uHDEEG改进个人指纹解码.
- 解决现有方法在捕捉高维空间特征的局限性,以精确分类运动.
- 探索SCBAM在提高脑计算机接口 (BCI) 应用程序的潜力.
主要方法:
- 提出了SCBAM,这是一个混合网络,在卷积结构中集成双重注意力机制.
- 采用独特的"三明治"设计,以有效地完善高维空间特征.
- 通过使用uHDEEG数据对多个受试者进行了二进制和五类分类实验.
主要成果:
- 在二进制手指分类中达到78.63%的平均准确率 (指与戒指的最高85%).
- 在五个类别的手指分类中达到61.12%的平均准确率 (S2对象的最高62.36%).
- 与基准网络和传统分类器 (SVM,MLP) 相比,其表现优越,验证了SCBAM注意力机制的有效性.
结论:
- SCBAM网络提供了一种高性能解决方案,用于使用uHD EEG进行个人指纹分类.
- 这项研究用HDEEG数据解决了五类指纹分类研究中的差距.
- 这些发现突出了uHDEEG和先进的深度学习模型 (如SCBAM) 对于复杂的BCI控制的潜力.
