FingerNet：基于深度神经网络的指尖敲击任务精细运动想象 EEG 解码
信号处理
2024-03-07 v1 机器学习
神经元与认知
摘要
脑机接口 (BCI) 技术促进了人脑与计算机之间的通信，主要利用脑电图 (EEG) 信号来辨识人类意图。虽然基于 EEG 的 BCI 系统已为瘫痪患者开发，但正在进行的研究正在探索用于言语想象和运动想象 (MI) 的系统。本研究介绍了 FingerNet，这是一种专为精细 MI 分类设计的网络，不同于传统的粗大 MI 研究。所提出的 FingerNet 能够从 EEG 信号中提取时空特征，提高同一只手内的分类准确率。实验结果表明，在分类包括拇指、食指、中指、无名指和小指运动在内的五种指尖敲击任务时，性能显示出显著更高的准确率。与传统的基线模型 EEGNet 和 DeepConvNet 相比，FingerNet 表现出主导性能。FingerNet 的平均准确率为 0.3049，而 EEGNet 和 DeepConvNet 的准确率较低，分别为 0.2196 和 0.2533。统计验证也证明了 FingerNet 优于基线网络。针对特别是拇指和食指类别的有偏预测，我们实施了加权交叉熵，并采用了通常用于缓解类别不平衡的加权交叉熵方法。所提出的 FingerNet 涉及优化网络结构、提高性能以及探索精细 MI 之外的应用。此外，用于解决此类有偏预测的加权交叉熵方法似乎在涉及多类分类任务的各种领域中具有更广泛的适用性和相关性。我们相信，不仅可以实现精细 MI 的有效执行，还可以实现局部肌肉 MI 的有效执行。
引用
@article{arxiv.2403.03526,
title = {FingerNet: EEG Decoding of A Fine Motor Imagery with Finger-tapping Task Based on A Deep Neural Network},
author = {Young-Min Go and Seong-Hyun Yu and Hyeong-Yeong Park and Minji Lee and Ji-Hoon Jeong},
journal= {arXiv preprint arXiv:2403.03526},
year = {2024}
}
备注
12 pages,5 figures, and 2 tables