机构名称：
¥ 1.0
摘要：大多数脑机接口 (BCI) 出版物都提出了用于运动想象 (MI) 脑电图 (EEG) 信号分类的人工神经网络，它们都使用了 BCI 竞赛数据集之一。然而，这些数据库包含的 MI EEG 数据来自有限数量的受试者，通常少于或等于 10 个。此外，这些算法通常仅包括带通滤波作为降低噪声和提高信号质量的手段。在本研究中，我们利用具有较大受试者池的开放访问数据库结合 BCI 竞赛 IV 2a 数据集对五个著名的神经网络 (Shallow ConvNet、Deep ConvNet、EEGNet、EEGNet Fusion 和 MI-EEGNet) 进行了比较分析，以获得具有统计意义的结果。我们采用 FASTER 算法从 EEG 中消除伪影作为信号处理步骤，并探索迁移学习以增强伪影过滤数据分类结果的潜力。我们的目标是对神经网络进行排名；因此，除了分类准确率之外，我们还引入了两个补充指标：从机会水平提高的准确率和迁移学习的效果。前者适用于具有不同数量类别的数据库，而后者可以强调具有强大泛化能力的神经网络。我们的指标表明，研究人员不应忽视浅层卷积网络和深度卷积网络，因为它们的表现可以胜过后来发布的 EEGNet 家族成员。
EEGNet 系列神经网络的深度比较
主要关键词
相关文件推荐
