.png){kind=icon}
返回
Subject-Specific Deep Learning Model for Motor Imagery Direction Decoding
.png){kind=icon}
OA
AI
DOI：10.3390/s26185951.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
半球卒中损害对侧身体部位的motor control，需要有效的康复策略。基于motor imagery的脑-计算机接口（MI-BCIs）促进神经可塑性，有助于motor functions的恢复。尽管深度学习在解码卒中康复中的MI动作方面显示出前景，但现有研究主要关注双侧MI动作，且仅限于离线评估。然而，从单侧MI解码方向信息虽然能提供更自然的控制接口和更大的自由度，但由于空间上重叠的神经活动而仍具挑战性。本研究提出了一种新颖的深度学习框架，用于在线解码20名健康受试者优势手的二元方向MI信号。所提出的方法采用基于EEGNet的卷积滤波器提取时域和空域特征。EEGNet模型通过squeeze-and-excitation（SE）层进行增强，这些层对电极重要性和特征图进行排序。首先使用来自多个受试者的校准数据训练一个与受试者无关的模型，然后进行微调以实现受试者特定的适应。使用受试者特定的在线会话数据评估所提出的方法的性能。所提出的方法在单侧MI任务中实现了平均58.7 ± 8 %的右对左二元方向解码准确率，优于现有的深度学习模型。此外，SE层排序提供了电极贡献的见解，有助于潜在的受试者特定BCI优化。研究结果强调了所提出方法在推进MI-BCI应用方面的有效性，以实现更自然和有效的BCI系统控制。
Keyword:
direction decoding
MI
unilateral MI
brain–computer interface
BCI
deep learning
EEGNet
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
暂无机构信息
引用论文
分享收藏分享收藏Deep Learning With Convolutional Neural Networks for EEG Decoding and Visualization.png)
HUMAN BRAIN MAPPING
OAAI
HUMAN BRAIN MAPPINGIF3.3
OAAI分享收藏EEGNet: a compact convolutional neural network for EEG-based brain-computer interfacesEEGNet: 用于基于EEG的脑机接口的紧凑型卷积神经网络OAAI
OAAI分享收藏分享收藏Sannelli, C.; Vidaurre, C.; Müller, K.-R.; Blankertz, B. A large scale screening study with a SMR-based BCI: Categorization of BCI users and differences in their SMR activity. PLoS ONE 2019, 14, e0207351. [Google Scholar] [CrossRef]Sannelli, C.; Vidaurre, C.; Müller, K.-K.; Blankertz, B. 大规模筛选研究基于SMR的BCI：BCI用户的分类及其SMR活动的差异。PLoS ONE 2019, 14, e0207351. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容