基于深度学习的运动想象EEG分类方法,通过皮层源成像的功能连接实现

基于深度学习的运动想象EEG分类通过利用皮层源成像的功能连接

研究背景与动机

脑-机接口(BCI)是直接解码并输出脑活动信息的系统,无需依赖相关的神经通路和肌肉,从而实现外部设备的通信或控制。在BCI系统中,常用的信号包括脑电图(EEG)、脑磁图(MEG)和功能性磁共振成像(fMRI)。其中,EEG是最常用的信号,因为它具有非侵入性、易于实施、成本低和无伦理挑战等优点。

运动想象(Motor Imagery, MI)是BCI中的一个重要范式,在无刺激条件下,运动想象任务期间会自发地产生运动想象EEG信号(MI-EEG)。MI-EEG信号中可能嵌入了运动皮层在运动意图期间的神经活动模式表示,因此解码MI-EEG信号已成为热门研究课题,以通过BCI系统实现对外部设备的精神控制。

现有的MI-EEG分类方法涉及各种特征提取和机器学习方案。然而,这些方法在分类准确性和个体间模型适应性方面仍需改进。本文提出了一种新的源域MI-EEG分类算法,以解决这些问题。

研究来源

这篇论文题为“Deep-learning-based motor imagery EEG classification by exploiting the functional connectivity of cortical source imaging”,由Bian Doudou、Ma Yue、Huang Jiayin、Xu Dongyang、Wang Zhi、Cai Shengsheng、Wang Jiajun和Hu Nan撰写。论文于2024年2月10日在线发表在《Signal, Image and Video Processing》期刊上。研究得到了Springer-Verlag London Ltd.的独家许可,属于Springer Nature的一部分。

研究详细介绍

研究流程

本研究的工作流程包括以下几个步骤:

  1. 高空间分辨率的去噪电生理源成像(ESI):采用带有噪声自学习的Champagne算法,生成高空间分辨率的皮层源成像。
  2. 功能连接度量:在运动皮层中计算虚拟相干性(ICoh),利用该指标形成MI期间运动皮层源空间的图结构。
  3. 图卷积网络(GCN):使用ICoh构建的图结构,构建GCN以提取空间特征。
  4. 时间卷积网络(TCN):使用TCN和多头注意机制提取多尺度时间特征,基于GCN的空间注意机制用于空间和时间特征的交互。
  5. 特征组合与分类:将提取的所有特征组合以获得最终的分类结果。

研究对象和样本

研究使用了PhysioNet EEG Motor Movement/Imagery数据集,该数据集包含109名受试者,每名受试者执行14轮MI任务。在每轮中,受试者进行多次MI