基于元启发式与深度学习技术的神经假体设备先进脑电图信号分类

《Frontiers in Digital Health》:Advanced EEG signal classification for neural prosthetic devices using metaheuristic and deep learning techniques

【字体: 大 中 小 】 时间:2026年01月07日 来源:Frontiers in Digital Health 3.8

编辑推荐:

  引言:对于神经假体设备,高维脑电图(EEG)信号的准确分类因冗余和无关特征的存在而受到显著损害,这些特征会降低分类器的泛化能力和计算效率。本研究提出了一种新颖且统一的最优化驱动框架来应对这些挑战,并改进基于EEG的运动想象(MI)信号解码。 方法:所提出的

  
引言:对于神经假体设备,高维脑电图(EEG)信号的准确分类因冗余和无关特征的存在而受到显著损害,这些特征会降低分类器的泛化能力和计算效率。本研究提出了一种新颖且统一的最优化驱动框架来应对这些挑战,并改进基于EEG的运动想象(MI)信号解码。
方法:所提出的方法结合了改进的浣熊优化算法(COA)特征选择模型和不同的机器学习/深度学习分类器。COA的创新之处在于其动态且无参数的适应机制,结合基于对立的学习,可以在高维特征空间中保持更好的探索-利用平衡。生成的优化特征子集随后用于训练一系列分类器,如支持向量机(SVM)、随机森林(RF)、卷积神经网络(CNN)和循环神经网络(RNN),以进行运动想象任务识别。在实验中,研究人员在常用的基准EEG数据集(如PhysioNet Motor Movement/Imagery数据集)上验证了该框架。
结果:实验结果表明,COA + CNN模型具有最佳的分类性能。该模型显示出96.8%的分类准确率,精确率为96.4%,召回率为96.9%,F1分数为96.6%。与最佳竞争性特征选择技术相比,分类准确率提高了6.5%,并且显著优于传统的元启发式算法,如粒子群优化(PSO,90.3%准确率)和遗传算法(GA,89.7%准确率),以及过滤式技术,如最小冗余最大相关(mRMR,86.8%)和ReliefF(84.3%)。
讨论/结论:将进化元启发式特征子集选择与深度学习架构相结合,是实现EEG信号准确分类的强大方法。研究结果证实,基于COA的方法提供了一种鲁棒、计算高效且可扩展的途径来实现高精度分类——这对于提升未来神经假体控制系统的可靠性和实时操作至关重要。
本研究针对神经假体设备中脑电图信号分类的关键挑战,提出了一种融合元启发式优化与深度学习的新型框架。神经假体通过解读大脑信号帮助运动障碍者控制外部设备,而脑电图因其非侵入性、高时间分辨率等优势成为核心输入模态。然而,脑电图信号具有非平稳、高噪声、被试依赖性等特点,且通常包含大量冗余和无关特征,导致分类器性能下降、计算负担加重,阻碍了实时控制系统的应用。传统特征选择方法(如过滤式方法)常依赖静态启发式或固定参数,难以适应脑电图信号的动态特性;而现有元启发式算法(如粒子群优化、遗传算法)也存在收敛速度慢、易陷入局部最优等问题。因此,开发一种能够动态平衡全局探索与局部寻优、且无需繁琐参数调优的特征选择方法,对于提升脑电图分类的准确性与实时性具有重要意义。
研究人员提出了一种基于改进浣熊优化算法的特征选择框架,并与多种分类器结合进行运动想象脑电图信号分类。该方法的核心技术创新在于对标准浣熊优化算法引入了基于对立的学习机制和无参数自适应策略,增强了其在处理高维、非线性脑电图特征空间时的搜索能力。优化后的特征子集被输入到支持向量机、随机森林、卷积神经网络和循环神经网络等分类器中进行性能评估。研究使用了公开的PhysioNet脑电图运动想象数据集,该数据集包含109名健康被试执行实际和想象运动任务时的64通道脑电图记录。主要技术流程包括:脑电图数据采集与预处理(如带通滤波、伪影去除、z分数归一化)、特征提取(结合时域、频域、空间域方法)、基于改进浣熊优化算法的特征选择,以及深度学习模型分类。

研究结果通过多个维度展示了所提框架的有效性。在**所提方法性能分析**中,比较了浣熊优化算法与不同分类器组合的表现。其中,浣熊优化算法+卷积神经网络模型取得了最佳性能,分类准确率达到96.8%,精确率、召回率和F1分数也均超过96%。浣熊优化算法+循环神经网络模型准确率为95.2%,而浣熊优化算法+支持向量机模型为93.4%,结果表明深度学习模型,特别是善于捕捉空间模式的卷积神经网络,与优化特征选择结合优势显著。在**与现有优化方法的比较**中,所提方法(96.8%准确率)显著优于粒子群优化(90.3%)、遗传算法(89.7%)、最小冗余最大相关(86.8%)和ReliefF(84.3%)等基准方法,在所有评估指标上均领先。**收敛性分析**显示,浣熊优化算法在多个数据集上都能更快、更稳定地收敛到更优的适应度值,通常在30-40次迭代内达到稳定,而粒子群优化和遗传算法的收敛曲线则表现出更多的振荡和延迟。**箱线图分析**进一步证实了所提方法的鲁棒性和一致性,其在六个基准脑电图数据集上的准确率分布中位数更高、四分位距更窄、异常值更少,表明其性能更稳定,泛化能力更强。

在讨论与结论部分,研究人员总结指出,将进化元启发式特征选择与深度学习架构相结合,为脑电图信号的准确分类提供了一种强大方法。研究结论证实,基于浣熊优化算法的方法为实现高精度分类提供了一种鲁棒、计算高效且可扩展的途径,这对于提升未来神经假体控制系统的可靠性和实时操作至关重要。未来工作可集中于结合迁移学习和领域自适应以改善跨被试泛化能力,将框架扩展到处理多类运动想象任务,并将其集成到低功耗嵌入式平台中,以便在实际辅助技术中部署。最后,与运动障碍用户进行广泛的实时试验对于验证该系统的实用性、鲁棒性和长期可靠性至关重要。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号