用于脑机接口中 EEG 分类的交织神经网络模型
信号处理
2022-08-19 v1 机器学习
医学物理
摘要
脑机接口(BCI)是大脑与计算机或外部设备之间非刺激性的直接且偶尔双向的通信链路。经典地，基于 EEG 的 BCI 算法依赖于支持向量机和线性判别分析或多类公共空间模式等模型。然而，在过去十年中，更复杂的机器学习架构，如卷积神经网络、循环神经网络、长短期记忆网络和门控循环单元网络，已被广泛用于增强多类 BCI 任务中的可分辨性。此外，EEG 信号的预处理和去噪一直是成功解码脑活动的关键，而确定最优且标准化的 EEG 预处理操作是一个活跃的研究领域。在本文中，我们提出了一种深度神经网络架构，专门设计用于 a) 在多类运动想象分类中提供最先进的性能，以及 b) 对预处理保持鲁棒，以实现来自 EEG 和 BCI 设备的流式原始数据的实时处理。它基于时间分布全连接(tdFC)和空间分布一维时间卷积层(sdConv)的交织使用，并明确处理了 EEG 信号的空间和时间特征在所有复杂度层级上发生交互的可能性。数值实验表明，在六类运动想象网络中，我们的架构相比基于 3D 卷积与循环神经网络组合的基线提供了更优性能，受试者级准确率可达 99%。重要的是，当应用最小或大量预处理时，这些结果保持不变，可能为深度学习架构在 EEG 分类中更横向和实时的使用铺平道路。
引用
@article{arxiv.2208.08860,
title = {An intertwined neural network model for EEG classification in brain-computer interfaces},
author = {Andrea Duggento and Mario De Lorenzo and Stefano Bargione and Allegra Conti and Vincenzo Catrambone and Gaetano Valenza and Nicola Toschi},
journal= {arXiv preprint arXiv:2208.08860},
year = {2022}
}