EEG 운동 이미지 신호 분류를 위한 새로운 딥 러닝 접근법

목표: 신호 분류는 뇌-컴퓨터 인터페이스 (BCI) 시스템에서 중요한 이슈입니다. 딥 러닝 접근법은 많은 최근 연구에서 특징을 학습하고 다양한 유형의 데이터를 분류하는 데 성공적으로 사용되었습니다. 그러나 이러한 접근법을 BCI 애플리케이션에 적용한 연구는 매우 제한적입니다. 본 연구에서는 EEG 운동 이미지 신호의 분류 성능을 개선하기 위해 딥 러닝 방법을 사용할 것을 목표로 합니다. 접근법: 본 연구에서는 EEG 운동 이미지 신호를 분류하기 위해 컨볼루션 신경망 (CNN)과 스택 오토인코더 (SAE)를 조사합니다. EEG 신호에서 추출된 시간, 주파수 및 위치 정보를 결합하는 새로운 형태의 입력이 도입되며, 이는 1D 컨볼루션 및 최대 풀링 레이어를 포함한 CNN에서 사용됩니다. 또한 CNN과 SAE를 결합하여 새로운 딥 네트워크를 제안하였습니다. 이 네트워크에서는 CNN에서 추출된 특징이 딥 네트워크 SAE를 통해 분류됩니다. 주요 결과: 제안한 방법으로 얻은 BCI 경쟁 IV 데이터셋 2b의 kappa 값은 0.547입니다. 우리 접근법은 경쟁의 우승 알고리즘보다 9% 향상된 결과를 제공하였습니다. 중요성: 우리의 결과는 딥 러닝 방법이 최신 접근법과 비교하여 더 나은 분류 성능을 제공함을 보여줍니다. 이러한 방법은 일일 기록으로 인해 데이터 양이 많은 BCI 시스템에 성공적으로 적용될 수 있습니다.