Neurociência. 2025 Out 29:S0306-4522(25)00970-4. doi: 10.1016/j.neuroscience.2025.09.040. Publicação online antecipada.
RESUMO
Nos últimos anos, houve um aumento significativo na atividade de pesquisa em interfaces cérebro-computador (MI-BCI) baseadas em eletroencefalografia (EEG) no campo do aprendizado profundo. No entanto, apesar de alcançar alta precisão, o tamanho dos modelos está aumentando, exigindo recursos de memória e computacionais significativos. Portanto, encontrar um equilíbrio entre precisão e custo computacional sempre foi um desafio na pesquisa de classificação MI. Redes Neurais Convolucionais (CNNs) geram representações de características de objetos coletando subcaracterísticas semânticas. A ativação de subcaracterísticas é suscetível a ruídos de fundo. O módulo Spatial Group-wise Enhance (SGE) ajusta a importância de cada subcaracterística gerando um fator de atenção para a localização espacial de cada grupo semântico, assim aprimorando características úteis e suprimindo ruídos. O design do módulo SGE é leve, com poucos parâmetros e computações. Portanto, introduzimos o módulo SGE para melhorar a precisão e minimizar os parâmetros do modelo. Neste artigo, propomos o EEG-SGENet, um novo modelo de rede neural convolucional de ponta a ponta que considera tanto o modelo leve como a precisão. Resultados experimentais no conjunto de dados BCI IV 2a mostram que o EEG-SGENet alcança uma precisão de 80,98% nas quatro categorias de MI. A precisão média de classificação para a tarefa de duas categorias do BCI IV 2b é de 76,17%. Comparativos com outros modelos leves em termos de precisão de classificação e outros aspectos mostraram que este modelo alcança um bom equilíbrio entre desempenho de decodificação e custo computacional. No geral, os resultados experimentais demonstram que o modelo proposto deve se tornar um novo método para a decodificação de sinais EEG.
PMID: 41173359 | DOI: 10.1016/j.neuroscience.2025.09.040
Para ler a postagem completa, visite o original: Leia a Postagem Completa
Respostas