基于深度学习的低频 EEG 精细手部运动分类
信号处理
2021-04-23 v2 人工智能
人机交互
机器学习
定量方法
摘要
从 EEG 信号中对不同精细手部运动进行分类是一项相关的研究挑战，例如，在用于运动康复的脑机接口应用中。在此，我们分析了两个不同数据集，其中精细手部运动（触摸、抓握、掌侧抓握和侧向抓握）以自定步调方式执行。我们训练并测试了一个新提出的卷积神经网络（CNN），并将其分类性能与两个成熟的机器学习模型（即收缩 LDA 和随机森林）进行比较。与以往文献相比，我们利用了神经科学领域的知识，并在所谓的运动相关皮层电位（MRCP）上训练我们的 CNN 模型。它们是低频（即 (0.3, 3) Hz）的 EEG 幅度调制，已被证明可编码运动的若干属性，例如抓握类型、力水平和速度。我们表明 CNN 在两个数据集中均取得了良好性能，且与基线模型相当或优于基线模型。此外，与基线相比，我们的 CNN 需要更轻量快速的预处理流程，为其可能在在线模式中使用铺平了道路，例如用于许多脑机接口应用。
引用
@article{arxiv.2011.06791,
title = {Deep learning-based classification of fine hand movements from low frequency EEG},
author = {Giulia Bressan and Selina C. Wriessnegger and Giulia Cisotto},
journal= {arXiv preprint arXiv:2011.06791},
year = {2021}
}