RLEEGNet：将脑机接口与自适应 AI 集成以实现直观响应和高精度运动想象分类
信号处理
2024-02-16 v1 人工智能
摘要
当前的假肢控制方法受限于对传统方法的依赖，缺乏实时适应性和直观响应能力。这些局限性在为具有不同认知状态和运动意图的个体设计的辅助技术中尤为明显。本文提出了一种利用强化学习（RL）与深度 Q 网络（DQN）进行分类任务的框架。此外，我们提出了一种使用共空间模式（CSP）进行多类运动想象（MI）分类的预处理技术，采用一对多（OVR）方式。随后的'csp 空间’变换保留了 EEG 信号的时间维度，这对于提取判别性特征至关重要。将 DQN 与 1D-CNN-LSTM 架构集成，优化了实时决策过程，从而增强了系统对用户不断变化的需求和意图的适应性。我们详细阐述了两个 EEG 运动想象数据集的数据处理方法。我们的创新模型 RLEEGNet 将 1D-CNN-LSTM 架构作为 DQN 中的在线 Q 网络，通过反馈促进控制策略的持续适应和优化。该机制允许系统通过试错学习最优动作，逐步提高其性能。RLEEGNet 在分类 MI-EEG 信号方面表现出高精度，在 GigaScience（3 类）和 BCI-IV-2a（4 类）数据集的 MI 任务中准确率高达 100%。这些结果突显了将 DQN 与 1D-CNN-LSTM 架构相结合以显著增强脑机接口（BCI）系统适应性和响应能力的潜力。
引用
@article{arxiv.2402.09465,
title = {RLEEGNet: Integrating Brain-Computer Interfaces with Adaptive AI for Intuitive Responsiveness and High-Accuracy Motor Imagery Classification},
author = {Sriram V. C. Nallani and Gautham Ramachandran},
journal= {arXiv preprint arXiv:2402.09465},
year = {2024}
}
备注
23 pages, 1 figure, 6 tables