LGL-BCI：一种基于运动想象并采用几何学习的脑机接口
人机交互
2025-02-26 v2
摘要
脑机接口是一项突破性技术，通过大脑信号控制外部设备。尽管近年来取得了一些进展，但基于脑电图（EEG）的运动想象任务面临诸多挑战，如幅度和相位变异性以及复杂的空间相关性，并且需要更小的模型和更快的推理速度。在本研究中，我们开发了一个名为轻量级几何学习脑机接口（LGL-BCI）的原型系统，该系统使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实现的 EEG 通道选择模块，以降低对称正定矩阵的维度，从而在不断变化的 EEG 信号中提供适应性。同时，内置的无损转换有助于提升推理速度。我们使用两个真实的 EEG 设备和两个公开的 EEG 数据集评估了该方案的性能。LGL-BCI 展现了显著的改进，达到了 82.54% 的准确率，而当前最优方法的准确率为 62.22%。此外，LGL-BCI 使用的参数更少（64.9K 对比 183.7K），突显了其计算效率。这些发现强调了 LGL-BCI 在准确率和计算效率两方面的优越性，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.2501.05589,
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:2501.05589},
year = {2025}
}
备注
We made a submission by mistake. The article arXiv:2501.05589 should be submitted as an update of article arXiv:2310.08051 instead of a new submission. We are seeking remove arXiv:2501.05589 and update the arXiv:2310.08051 to the latest version