机构名称：
¥ 1.0
脑机接口 (BMI) 旨在建立生物神经系统与外部机器之间的直接通信通路 [1, 2]。不同类型的神经信号已在各种 BMI 应用中得到展示。脑电图 (EEG) 是 BMI 场景中最常见的电生理信号之一，例如注意力评估 [3]、运动想象 [4]、睡眠分期 [5] 和癫痫发作检测 [6]。然而，EEG 记录过程很容易因无线传输中的数据包丢失、受试者的意外移动或电极接触不良而受到干扰，从而导致信号不完整。一些文献中提出了张量完成方法 (TCM)，通过将记录的 EEG 视为多通道张量来执行 EEG 完成 [7–10]。[9] 证明同时张量分解和完成 (STDC) 可以在几种 TCM 中实现更好、更稳健的性能。TCM 家族可以发现多通道信号的低秩表示，可进一步用于信号恢复。然而，TCM 家族依赖于多个脑电图通道，这对于单通道脑电图记录不起作用。序列到序列神经网络是脑电图补全的另一种解决方案。[11] 使用门层自动编码器 (GLAE) 将深度学习引入该领域。GLAE 在普通自动编码器之前添加了一个切换层。切换层在训练期间屏蔽了几个输入点。该模型学会了根据未屏蔽的点来补全屏蔽的点。GLAE 在两个稳态视觉诱发电位 (SSVEP) 脑电图上实现了 0.02 到 0.05 的 RMSE 水平
使用 Cascade Transformer 完成单通道脑电图
主要关键词
相关文件推荐
