机构名称：
¥ 2.0
摘要。基于脑电图（EEG）基于脑部计算机界面（BCI）的通道选择已被广泛研究了二十年，其目标是选择可以提高BCI的总体解码功效的最佳特定主题通道。随着基于深度学习（DL）模型的出现，出现了需要新的视角和新技术来进行渠道选择。在这方面，与受试者无关的通道选择相关，因为使用交叉主体数据训练的DL模型提供了出色的性能，并且尚未完全了解脑电图特征固有的主体间变异性在受试者独立的DL训练中的影响。在这里，我们提出了一种新的方法，用于使用层相关性传播（LRP）和神经网络修剪在基于DL的运动图像（MI）-BCI中实现主题独立通道选择。使用韩国大学（KU）EEG数据集的Deep Convnet和62通道MI数据进行了实验。使用我们提出的方法，由于LRP选择了高度相关的通道，因此我们在受试者独立的分类精度中降低了61％的通道数量（p = 0.09）。LRP相关的渠道选择提供了明显更好的精度，同时使用频道总数的40％，精度的差异范围为5.96％至1.72％。仅使用通道总数的16％的适应性稀疏LRP模型的性能与适应的基线模型相似（p = 0.13）。此外，适应的稀疏LRP模型的准确性仅使用频道总数的35％超过了改编的基线模型的准确性（p = 0.81）。LRP选择的通道的分析证实了选择的神经生理学合理性，并强调了MI-EEG分类中运动，顶叶和枕通道的影响。
相关性的频道选择大脑计算机接口
主要关键词
相关文件推荐
