机构名称：
¥ 1.0
解码与特定任务（例如想象某事）相关的大脑活动对于脑机接口 (BCI) 控制非常重要。虽然之前已有报道在观察视觉图像和想象图像时解码大脑信号（例如功能性磁共振成像 (fMRI) 信号和脑电图 (EEG) 信号），但本研究的目标是进一步开发改进大脑数据训练、性能和解释的方法。我们应用 Sinc-EEGNet 解码感知和想象 EEG 刺激时的大脑活动，并添加注意模块来提取每个电极或频带的重要性。我们还使用生成对抗网络 (GAN) 从大脑活动中重建图像。通过结合视觉任务（感知）和想象任务期间记录的 EEG，我们成功提高了想象任务中对 EEG 数据进行分类的准确性，并提高了 GAN 重建的质量。我们的结果表明，视觉任务期间引起的大脑活动存在于想象任务中，可用于更好地对想象的图像进行分类。通过使用注意模块，我们可以得出每个频带中的空间权重，并从我们的模型中对比任务之间的空间或频率重要性。想象任务通过颞叶皮层的低频脑电图信号进行分类，而感知任务通过枕叶和额叶皮层的高频脑电图信号进行分类。在训练中结合数据集会产生一个平衡的模型，该模型可以改善想象任务的分类，而不会显著改变视觉任务的表现。我们的方法不仅提高了性能和可解释性，而且还可能减轻了训练负担，因为我们可以通过结合相对容易的任务的数据（观察视觉图像）来提高对相对困难且高变异性的任务（想象）进行分类的准确性。
改进脑电图信号想象图像的分类和重建
主要关键词
相关文件推荐
