将降维作为 LSTM-CNN 模型预处理以分类基于 ECoG 的 BCI 中想象运动与运动信号
机器学习
2023-11-23 v1 人机交互
信号处理
摘要
由中风或创伤性脑损伤等神经事件引起的运动障碍，在康复治疗中构成了重大障碍。本研究旨在通过优化脑机接口（BCIs）中的运动想象分类算法来推动该领域发展。通过提升 BCIs 的效率，我们提出了一种新方法，在改善运动康复效果方面具有重要前景。利用无监督降维技术，即均匀流形近似与投影（UMAP）结合 K-近邻（KNN），我们评估了采用长短期记忆（LSTM）和卷积神经网络（CNNs）等监督方法进行分类任务的必要性。重要的是，在 UMAP 降维后表现出高 KNN 分数的受试者，在监督深度学习（DL）模型中也取得了高准确率。由于个体化的模型需求与海量神经训练数据，降维成为一种有效的预处理步骤，可最小化对大量数据标注与监督深度学习技术的需求。该方法不仅对运动功能障碍的靶向治疗具有重要意义，也对解决快速发展的 BCI 领域中监管、安全与可靠性问题有所助益。
引用
@article{arxiv.2311.13507,
title = {Applying Dimensionality Reduction as Precursor to LSTM-CNN Models for Classifying Imagery and Motor Signals in ECoG-Based BCIs},
author = {Soham Bafana},
journal= {arXiv preprint arXiv:2311.13507},
year = {2023}
}
备注
10 Pages, 12 Figures. The dataset used in this paper can be found here: https://osf.io/ksqv8/download, from the Miller 2010 paper. All code used in this research can be found at https://github.com/bafanaS/dim-reduction-with-cnn-lstm.git