|
脑机接口（BCI）技术利用绕过传统神经和肌肉通路的方式，推动了人脑与外部设备之间的信息交换。在康复、疲劳监测和工业控制等领域，BCI已经取得了成功。其中，电脑图（EEG）作为BCI的重要组成部分，利用信号处理和深度学习技术，特别是在识别和分类运动想象信号方面发挥着重要作用。通过各种方法，包括空间解码技术和特征提取技术，对来自多通道EEG的信号进行分类。尽管已经提出了一些潜在方法，但在处理电极之间的拓扑关系方面仍需进一步优化。同时，图卷积网络（GCN）和神经递质传递中的F-F机制也引起了研究关注，可能为BCI技术带来新的进步。
1 研究方法 首先研究人员提出了一种新颖的脑电图分类模型，用于四类MI意图分类，称为F-FGCN，由脑网络动态和神经信号传播机制组成，结合了脑启发的F-F机制，并与EEG电极的功能拓扑关系相配合。其次，F-FGCN在GCN中利用了预训练和微调阶段。通过利用GCN的预训练过程，它有效地识别了来自受试者的多通道EEG信号之间的关系，从而显著提升了该方法的性能和鲁棒性。最后，受医学领域知识的启发，F-FGCN改变了典型模型，其中神经元明确传播误差导数或存储神经活动以进行后向传递。研究人员用F-F机制替换了反向传播，通过将特征与掩码合并生成混合EEG特征。负数据的创建涉及生成由大量区域组成的掩码，其中包含二进制值为1和0，使用两次连续的前向传递来迭代正负数据的参数。  图1 该系统框架包括：(i) 原始脑电信号的收集，(ii)进行图权重和度的相关分析，通过邻接矩阵、PCC矩阵度和图拉普拉斯矩阵进行展示，(iii) 将国际10-10脑电系统表示为图形(iv)整合FFGCN的新DL结构。 2 研究结果 研究人员将F-FGCN的性能与传统模型和最先进模型进行了基准测试。数据被随机划分，创建了具有相同数据但不同顺序的数据集。随后，将数据按7:2:1的比例划分为训练集、验证集和测试集。研究人员利用提出的网络结构在PhysioNet数据集上进行了跨个体试验，以评估F-FGCN对个体主体的适应性。研究人员随机选择了六个受试者。 如图2所示，F-FGCN表现出了较强的性能，在六个受试者中取得了平均分类准确率达到89.39%。图3展示了F-FGCN模型的准确率与传统模型的比较结果。   图4中通过小提琴图呈现了六个受试者的分类准确率。横线表示平均值，实心菱形显示了每个测试的分类准确率分布。小提琴外的核密度表示围绕更广泛的图区域的更大分布概率。F-FGCN模型在不同个体测试中表现出了可观的稳定性。  然而，随着S12数据集的出现，分类准确率略有下降。表1呈现了PhysioNet数据集上最新最先进方法的分类结果，其中F-FGCN始终优于其他方法。F-FGCN在受试者和群体水平上分别达到了89.39%和72.81%的平均准确率，展示了DL模型的复杂特征学习能力。由于其多功能性，F-FGCN模型具有适度的误差率，表明高水平的准确性只有6.72%的差异。  3 研究意义 该研究探索了MI EEG的分类任务，考虑了脑网络动态和神经信号传输机制，并提出了适用于四类MI意图的创新型F-FGCN模型。该模型融合了个体交互和EEG信号拓扑结构，通过预训练和F-F机制提取特征向量，增强了下游分类器的准确性，在PhysioNet数据集上达到了最佳检测结果，分别在主体级别和群体级别实现了96.11%和82.37%的最高准确率。 未来，研究人员计划将F-F机制整合到端到端GCN网络中，进一步提高MI中的多类别分类任务的准确性，并探索人脑信号传播机制与深度学习中传播过程的相似之处。通过充分利用EEG和标签信息，研究人员希望将这项技术应用于人形机器人控制和医疗辅助设备的开发等领域。 —— End —— 仅用于学术分享，若侵权请留言，即时删侵！ |
|
|
