LGL-BCI：一种基于运动想象与几何学习的脑机接口
机器学习
2025-03-11 v5
摘要
脑机接口是一项突破性技术，利用脑信号来控制外部设备。尽管近年来取得了一些进展，基于脑电图（EEG）的运动想象任务仍面临振幅与相位变异性、复杂空间相关性等挑战，且需要更小的模型和更快的推理。在本研究中，我们开发了一个名为轻量几何学习脑机接口（LGL-BCI）的原型，其采用我们定制的几何深度学习架构，在不牺牲准确率的情况下实现快速模型推理。LGL-BCI 包含一个通过特征分解算法进行 EEG 通道选择的模块，以降低对称正定矩阵的维度，从而在持续变化的 EEG 信号中提供适应性。同时，内置的无损变换有助于提升推理速度。我们使用两种真实世界的 EEG 设备和两个公开 EEG 数据集评估了我们的方案。LGL-BCI 取得了显著提升，准确率达到 82.54%，而最先进（state-of-the-art）方法为 62.22%。此外，LGL-BCI 使用的参数更少（64.9K 对比 183.7K），凸显了其计算效率。这些发现强调了 LGL-BCI 在准确率和计算效率上的双重优势，证明了几何深度学习在运动想象脑机接口应用中的可行性与鲁棒性。
引用
@article{arxiv.2310.08051,
title = {LGL-BCI: A Motor-Imagery-Based Brain-Computer Interface with Geometric Learning},
author = {Jianchao Lu and Yuzhe Tian and Yang Zhang and Quan Z. Sheng and Xi Zheng},
journal= {arXiv preprint arXiv:2310.08051},
year = {2025}
}
备注
Update the venue and copyright information