将你的思维转化为文本：通过 EEG 信号的深度特征学习实现大脑打字
人机交互
2017-09-27 v1 计算机视觉与模式识别
摘要
基于脑电图（EEG）的脑机接口（BCI）通过解读大脑的 EEG 信号来与轮椅和智能机器人等设备交互，使人们能够与外界通信。更具体地说，反映受试者主动意图的运动想象脑电图（MI-EEG）在各种 BCI 应用中正受到越来越多的关注。对 MI-EEG 信号进行准确分类虽然对 BCI 系统的有效运行至关重要，但由于信号中固有的显著噪声以及信号与大脑活动之间缺乏信息相关性，这仍是一项具有挑战性的任务。在本文中，我们提出了一种新颖的基于深度神经网络的学习框架，该框架能够深入洞察 MI-EEG 数据与大脑活动之间的关系。我们设计了一个联合卷积循环神经网络，通过低维稠密嵌入从原始 MI-EEG 信号中同时学习鲁棒的高层特征表示。我们还采用了一个 Autoencoder 层来消除背景活动等各种伪影。所提出的方法已在一个大规模公开 MI-EEG 数据集和我们实验室收集的一个规模有限但易于部署的数据集上进行了广泛评估。结果表明，我们的方法优于一系列基线方法和具有竞争力的 SOTA 方法，分类准确率达到 95.53%。我们进一步通过一个实用的 BCI 打字系统证明了所提方法的适用性。
引用
@article{arxiv.1709.08820,
title = {Converting Your Thoughts to Texts: Enabling Brain Typing via Deep Feature Learning of EEG Signals},
author = {Xiang Zhang and Lina Yao and Quan Z. Sheng and Salil S. Kanhere and Tao Gu and Dalin Zhang},
journal= {arXiv preprint arXiv:1709.08820},
year = {2017}
}
备注
10 pages