一种用于基于 SSVEP 的脑机接口的深度学习网络
机器学习
2022-02-09 v3 信号处理
摘要
目的：脑机接口（BCI）拼写器中的目标识别是指用于预测受试者意图拼写的目标字符的脑电图（EEG）分类。当每个字符的视觉刺激以不同频率标记时，EEG 记录稳态视觉诱发电位（SSVEP），其频谱由目标频率的谐波主导。在此设定下，我们处理目标识别问题并提出一种新颖的深度神经网络（DNN）架构。方法：所提出的 DNN 通过跨谐波子带、通道、时间进行卷积来处理多通道 SSVEP，并在全连接层进行分类。我们使用两个公开可用的大规模（benchmark 和 BETA）数据集进行测试，共包含 105 名受试者和 40 个字符。我们的第一阶段训练通过利用所有受试者间的统计共性学习一个全局模型，第二阶段通过利用个体特性分别对每位受试者进行微调。结果：我们的 DNN 在两个数据集上实现了令人印象深刻的信息传输率（ITR），分别为 265.23 bits/min 和 196.59 bits/min，且仅需 0.4 秒刺激。代码可在 https://github.com/osmanberke/Deep-SSVEP-BCI 获取以保证可复现性。结论：所提出的 DNN 大幅优于最先进技术，因为我们的准确率和 ITR 率是这些数据集上曾报道的最高性能结果。意义：由于其前所未有的高拼写器 ITR 以及对通用 SSVEP 系统的完美适用性，我们的技术在 BCI 的各种生物医学工程场景（如通信、康复和控制）中具有巨大潜力。
引用
@article{arxiv.2011.08562,
title = {A Deep Neural Network for SSVEP-based Brain-Computer Interfaces},
author = {Osman Berke Guney and Muhtasham Oblokulov and Huseyin Ozkan},
journal= {arXiv preprint arXiv:2011.08562},
year = {2022}
}
备注
12 pages, 9 figures