Automatic Motor Imagery Classification by CNN-Transformer-LSTM Using Multi-Channel EEG Signals

Abstract

The brain-computer interface (BCI) is a promising technology that could bring about a significant revolution in various fields, including healthcare and human enhancement. One commonly used BCI method in healthcare, particularly in rehabilitation, is the analysis of motor imagery (MI) through an electroencephalogram (EEG). Our study introduces a hybrid deep learning model called CNN-Transformer-LSTM, which utilizes multi-channel EEG signals to classify MI binary and multiclass automatically. Our experiments have shown that this proposed method is more effective than previous state-of-the-art studies at accurately classifying MI using multi-channel EEG signals.

Rozhraní mozek-počítač (BCI) je slibná technologie, která by mohla přinést zásadní revoluci v různých oblastech, včetně zdravotnictví a rozšíření lidských schopností. Jednou z běžně používaných metod BCI ve zdravotnictví, zejména v rehabilitaci, je analýza představy pohybu (MI) pomocí elektroencefalogramu (EEG). Naše studie představuje hybridní model hlubokého učení nazvaný CNN-Transformer-LSTM, který využívá vícekanálový EEG signál k automatické binární i vícetřídní klasifikaci představy pohybu. Naše experimenty ukázaly, že navrhovaná metoda je efektivnější než dosavadní state-of-the art studie zabývající se přesnou klasifikaci MI na základě vícekanálového EEG signálu.