扫码下载APP

您的位置

资讯详情

本人可编辑资讯

仅支持在APP编辑资讯扫描二维码即可下载APP

这所院校又添新作:EEG信号神经解码中不确定性估计和减少的框架

论论资讯 | 2023-04-20 3热度

Neurocomputing

Explore content

About the journal

Publish with us

UNCER: A framework for uncertainty estimation and reduction in neural decoding of EEG signals

Duan T.; Wang Z.; Liu S.; Yin Y.; Srihari S.N.

Published:2023-06-14
DOI:10.1016/j.neucom.2023.03.071

研究背景

你知道吗?人脑是世界上最神奇的器官之一,它可以通过电信号来控制我们的行为和思考。而脑电图(EEG)是一种记录人脑电信号的方法。近年来,科学家们发现可以利用深度神经网络对EEG信号进行解码,从而实现脑机接口(BCI)。然而,由于EEG信号存在很大的方差和噪声,这些神经网络的预测可能不太可靠。以前的研究主要集中在探索源信号中的噪声模式,而解码过程中的不确定性则很少被探讨。因此,如何自动检测和减少解码不确定性对于BCI运动想象应用(如机器人臂控制等)非常重要。

研究内容

为了解决这个问题,研究人员提出了一个新的模型——UNCER,它可以量化和减少EEG解码过程中的不确定性。UNCER模型利用了一种基于dropout和贝叶斯神经网络的方法来估计不确定性,以结合输入信号和模型参数的不确定性。此外,研究人员还提出了一种基于自适应数据增强的方法来减少不确定性。该模型可以集成到当前广泛使用的EEG神经解码器中,而不需要改变其架构。研究人员在两个公共的运动想象数据集上进行了广泛的实验,包括内部和跨主体EEG解码,结果表明该模型在估计不确定性的质量和减少不确定性的有效性方面都有显著的改善。

研究意义

UNCER模型是一个具有创新性的方法,通过量化和减少EEG解码过程中的不确定性,可以提高BCI运动想象应用的可靠性和准确性。此外,该模型可以集成到当前广泛使用的EEG神经解码器中,而不需要改变其架构,具有很强的实用性。因此,这项研究对于改进脑机接口技术,提高人类的生活质量具有重要的意义。

微信扫码即可查看