42、利用CNN检测梦境中ECoG记录的运动想象及基于PC的EEG分类算法

利用CNN检测梦境中ECoG记录的运动想象及基于PC的EEG分类算法

在脑机接口（BCI）领域，利用机器学习和深度学习从脑电图（EEG）信号中预测认知任务是一个快速发展的领域。同时，通过卷积神经网络（CNN）来检测梦境中皮层脑电图（ECoG）记录的运动想象也有着重要的研究价值。

利用CNN检测梦境中ECoG记录的运动想象

研究人员训练了CNN模型，使用各种ECoG数据转换对清醒受试者的运动想象或运动执行活动进行分类，并将其应用于快速眼动（REM）睡眠数据，以识别梦境中的运动想象相关活动。

研究发现

• 运动执行数据更优 ：运动执行和运动想象相关的ECoG活动在清醒受试者中可用于识别睡眠期间的运动想象相关ECoG活动。基于运动执行数据训练的CNN模型比基于运动想象数据训练的模型表现更好，因为运动执行数据具有更多通用特征，能让CNN训练效果更佳。这表明清醒受试者的运动执行相关ECoG活动可能是创建CNN模型以对REM睡眠期间运动想象相关ECoG活动进行分类的更好来源。
• 模型共识差异 ：运动执行（ME）模型在对REM睡眠数据的预测上比运动想象（MI）模型有更大的共识。
• 多受试者数据的影响 ：结合多个受试者的数据提高了部分但并非所有基于受试者对训练的模型的准确性。
• 过拟合问题 ：具有两个CNN层的四层神经网络在运动数据上容易过拟合，因此需要更好的特征提取或更强的模型正则化来获得更好的结果。

研究的局