.png){kind=icon}
返回
Enhanced Online Continuous Brain-Control by Deep Learning-Based EEG Decoding
.png){kind=icon}
OA
AI
DOI：10.1109/TNSRE.2025.3591254.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目标：越来越多的用于从脑电图（EEG）解码运动想象（MI）的深度学习模型在离线数据集分析中显示出其优于传统机器学习方法的优势。然而，当前的在线MI脑机接口（BCI）仍然主要采用机器学习解码器，而在高BCI性能方面存在不足。然而，基于深度学习的EEG解码在真实BCI系统中的泛化能力和优势仍然很不明确。方法：我们在15名BCI初学者中开展了一项随机化和跨会话的在线MI-BCI研究，采用2D中心-外任务。我们利用了一种新提出的深度学习模型，命名为交互式频率卷积神经网络（IFNet），并严格将其与当前的主流基准——滤波器组共同空间模式（FBCSP）进行比较，用于在线MI解码。结果：通过广泛的在线分析，深度学习解码器在各种性能指标上持续优于经典方法。特别是，与FBCSP相比，IFNet在两个会话中分别显著提高了平均在线任务准确率20%和27%。此外，IFNet模型观察到显著的跨会话训练效应（ ${P}={0}.{017}$ ），而对照方法则没有（ ${P}={0}.{337}$ ）。进一步的离线评估也表明IFNet优于当前最先进的深度学习模型。此外，我们揭示了在线脑机交互背后的独特行为和神经生理学见解。结论：我们进行了一项关于使用深度学习的在线MI-BCI的首次研究之一，实现了连续BCI控制的显著增强的在线性能。意义：本研究表明深度学习在MI-BCI中的良好实用性，并对中风康复等临床应用具有启示意义。
Keyword:
Brain-computer interface
motor imagery
deep learning
machine learning
online continuous control
EEG
期刊
IF:
5.2
论文数:
540
被引数:
1.6W
机构
引用论文
The Berlin Brain-Computer Interface: Accurate performance from first-session in BCI-naive subjects
PREAI
分享收藏EEG dataset and OpenBMI toolbox for three BCI paradigms: an investigation into BCI illiteracy.png)
GIGASCIENCE
OAAI
GIGASCIENCEIF3.9
OAAI分享收藏
查看更多内容