Спайковые нейронные сети для анализа ЭЭГ-сигналов с использованием вейвлет-преобразования
Spiking neural networks for EEG signal analysis using wavelet transform
2025-10-16
SCID: 54.1/498sm3yr
Discuss with AI
анализ сигналов ЭЭГдекодирование слухового вниманиядискретное вейвлет-преобразованиеспайковые нейронные сетиспайковый трансформер
Figures from the paper
Abstract (AI)
Введение: Интерфейсы мозг–компьютер (BCI) используют обработку сигналов электроэнцефалографии (ЭЭГ) для обеспечения взаимодействия человека с машиной и обладают широким потенциалом применения. Однако существующие методы BCI на основе глубокого обучения сталкиваются с двумя критическими ограничениями, препятствующими их практическому внедрению: зависимостью от ручного выделения признаков ЭЭГ, что ограничивает способность методов адаптивно выявлять сложные нейронные паттерны, и высоким энергопотреблением, делающим их непригодными для портативных устройств BCI с ограниченными ресурсами, требующих развертывания на периферийных вычислительных устройствах. Методы: Для устранения этих ограничений в данной работе вейвлет-преобразование для автоматического выделения признаков объединено со спайковыми нейронными сетями для энергоэффективных вычислений. В частности, представлен новый спайковый трансформер, интегрирующий механизм спайковой самоаттенции с дискретным вейвлет-преобразованием, получивший название SpikeWavformer. SpikeWavformer обеспечивает автоматическое временно-частотное разложение сигналов ЭЭГ, устраняет необходимость ручного выделения признаков и обеспечивает энергоэффективное принятие решений при классификации, тем самым повышая обобщающую способность модели при переносе между различными сценариями и одновременно удовлетворяя требованиям портативных BCI-приложений. Результаты: Экспериментальные результаты демонстрируют эффективность и вычислительную экономичность SpikeWavformer в задачах распознавания эмоций и декодирования слухового внимания. Обсуждение: Полученные результаты показывают, что SpikeWavformer способен устранить ключевые ограничения существующих методов BCI и имеет перспективы практического применения в портативных системах с ограниченными ресурсами.
Key Findings
1
Эксперименты демонстрируют эффективность и вычислительную экономичность SpikeWavformer в задачах распознавания эмоций и декодирования слухового внимания.
2
SpikeWavformer объединяет механизм спайкового само-внимания с дискретным вейвлет-преобразованием для автоматического разложения ЭЭГ во временно-частотной области.
3
Спайковая обработка обеспечивает энергоэффективную классификацию, предназначенную для портативных периферийных устройств BCI с ограниченными ресурсами.
4
Сообщается, что подход улучшает обобщение между различными сценариями и поддерживает практическое развертывание BCI на основе ЭЭГ.
5
Метод устраняет необходимость ручного извлечения признаков ЭЭГ и адаптивно выявляет сложные нейронные паттерны для анализа в интерфейсах мозг–компьютер.
Research Object
EEG-сигналы в приложениях портативных интерфейсов мозг–компьютер, включая задачи распознавания эмоций и декодирования слухового внимания
Research Subject
Автоматическое выделение временно-частотных признаков и энергоэффективная классификация EEG-сигналов с обобщением между различными сценариями при ресурсных ограничениях
Publication Details
Publication Date
2025-10-16
Journal
Publisher
ISSN
Cited by
9
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
EEGNet: компактная сверточная нейронная сеть для интерфейсов мозг–компьютер на основе ЭЭГ2018
Глубокое обучение с использованием сверточных нейронных сетей для декодирования и визуализации ЭЭГ2017
Импульсная нейронная сеть с адаптивной графовой свёрткой и LSTM для интерфейсов мозг—компьютер на основе ЭЭГ2023