基于 EEGNet-Transformer 框架的人机协作重叠事件多标签解码研究
《IEEE Access》:EEG-Based Classification of Human Motor Intention Using a Hybrid EEGNet–Transformer Model
【字体:
大
中
小
】
时间:2026年10月23日
来源:IEEE Access 4.2
编辑推荐:
```
摘要:安全且无缝的人机协作(HRC),特别是在物品转移过程中,要求机器人尽可能早地识别人类行为的变化,而不能仅仅依赖外部可观察的运动或物理交互。脑电图(EEG)能够捕捉与运动准备和执行相关的神经活动,从而提供可以在明显运动行为之前或同时出现的生理信息。然而,基于EEG的
```
摘要:
安全且无缝的人机协作(HRC),特别是在物品转移过程中,要求机器人尽可能早地识别人类行为的变化,而不能仅仅依赖外部可观察的运动或物理交互。脑电图(EEG)能够捕捉与运动准备和执行相关的神经活动,从而提供可以在明显运动行为之前或同时出现的生理信息。然而,基于EEG的运动事件解码仍然具有挑战性,因为存在信噪比低、眼部和肌肉伪迹、非平稳性和受主体影响的变化,以及需要同时解码的时间重叠事件等问题。因此,本研究旨在开发和评估一个用于HRC中重叠抓取和提升事件的多标签解码框架。为了实现这一目标,我们提出了一个EEGNet–Transformer框架,该框架结合了基于ICA的伪迹去除技术和sLORETA指导下的500毫秒分析窗口选择方法,并采用了一种混合架构:EEGNet提取局部时空特征,而自注意力机制则能够自适应地在每个分析窗口内的不同时间位置整合信息。在这个框架中,每个EEG窗口被视为一个六标签预测问题,从而能够在不依赖于已知任务序列或预设事件顺序约束的情况下,同时检测时间重叠的事件。研究结果表明,EEGNet–Transformer在WAY-EEG-GAL数据集的保留记录序列上实现了平均AUPRC为0.6931 ± 0.0035,优于EEGNet(0.6075 ± 0.0037)、EEG-TCNet(0.6018 ± 0.0101)和ShallowConvNet(0.5782 ± 0.0114),并且在对所有六个运动事件的表现上也均达到了最高的事件特异性AUPRC。与EEG-TCNet的比较进一步表明,仅通过扩张时间卷积来扩展时间感受野是不足以复现注意力机制带来的性能提升的...
```
生物通微信公众号
生物通新浪微博
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