三维卷积神经网络(3D-CNN)解码运动过程的脑电图

文章预览

解码脑电图 (EEG) 中的运动对于神经康复机器人和神经假体等治疗至关重要。深度神经网络（DNN）对实时数据解码最为有效，但现有数据集的任务类别限制了其在 EEG 中的应用。 研究人员提出了一种神经生理学可解释的三维卷积神经网络 (3D-CNN)，它捕捉了运动过程中大脑区域的时空依赖性。该3D-CNN使用保留地形的 EEG 输入，能够预测手部运动的复杂特征，如反应时间、运动模式和方向。在新数据集上的测试中，3D-CNN 在这些任务中的准确率分别为 79.81%、81.23% 和 82.00%，优于二维卷积神经网络（2D-CNN）架构的1.1% 到6.74%。此外，研究确定了对分类决策关键的 EEG 传感器和时间段，这与运动规划和执行中的神经生理学知识一致。这表明生物相关性对准确解码 EEG 重要，暗示实时分类复杂大脑活动的可能性。 图1 实验设置和研究工作流程。 （A）12 名受试者执 ………………………………