摘要:使用端到端卷积神经网络 (ConvNet) 的深度学习已应用于多种基于脑电图 (EEG) 的脑机接口任务,以提取特征图并对目标输出进行分类。然而,EEG 分析仍然具有挑战性,因为它需要考虑影响提取特征表征能力的各种架构设计组件。本研究提出了一种基于 EEG 的情绪分类模型,称为多核时空卷积网络 (MultiT-S ConvNet)。该模型使用多尺度核来学习各种时间分辨率,并应用可分离卷积来查找相关的空间模式。此外,我们使用轻量级门控机制增强了时间和空间滤波器。为了验证 MultiT-S ConvNet 的性能和分类准确性,我们在基于 EEG 的情绪数据集 DEAP 和 SEED 上进行了受试者相关和受试者无关的实验。与现有方法相比,MultiT-S ConvNet 具有更高的准确度结果和一些可训练参数。此外,所提出的时间滤波多尺度模块能够提取广泛的 EEG 表征,涵盖短波长到长波长的成分。该模块可进一步应用于任何基于 EEG 的卷积网络模型,其能力有望提高模型的学习能力。
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。
摘要 目的。迄今为止,在基于 EEG 的脑机接口中,黎曼解码方法与深度卷积神经网络的全面比较仍未在已发表的研究中出现。我们使用 MOABB(所有 BCI 基准之母)来解决这一研究空白,将新型卷积神经网络与最先进的黎曼方法进行比较,这些方法涉及广泛的 EEG 数据集,包括运动想象、P300 和稳态视觉诱发电位范式。方法。我们使用 MOABB 处理管道系统地评估了卷积神经网络(特别是 EEGNet、浅层 ConvNet 和深度 ConvNet)与成熟的黎曼解码方法的性能。该评估包括会话内、跨会话和跨受试者方法,以提供模型有效性的实用分析,并找到在不同实验设置中表现良好的整体解决方案。主要结果。我们发现在会话内、跨会话和跨受试者分析中,卷积神经网络和黎曼方法之间的解码性能没有显着差异。意义。结果表明,在使用传统的脑机接口范式时,在许多实验环境中,CNN 和黎曼方法之间的选择可能不会对解码性能产生重大影响。这些发现为研究人员提供了灵活性,可以根据诸如易于实施、计算效率或个人偏好等因素选择解码方法。
摘要:在运动想象脑机接口研究中,一些研究者设计了单侧上肢静态下的力的想象范式,这些范式很难应用于脑控康复机器人系统中需要诱发患者求助需求的思维状态,即机器人与患者之间的动态力交互过程。针对单次MI-EEG信号在不同力级之间的特征差异较小,设计MSTCN模块提取时频域不同维度的细粒度特征,再利用空间卷积模块学习空间域特征的面积差异,最后利用注意力机制对时频空域特征进行动态加权,提高算法的灵敏度。结果表明,对于实验采集的三级力MI-EEG数据,该算法的准确率为86.4±14.0%。与基线算法(OVR-CSP+SVM(77.6±14.5%)、Deep ConvNet(75.3±12.3%)、Shallow ConvNet(77.6±11.8%)、EEGNet(82.3±13.8%)和SCNN-BiLSTM(69.1±16.8%))相比,我们的算法具有更高的分类准确率,差异显著,且拟合性能更好。
摘要—目的:基于深度学习技术的脑电信号识别需要充足数据的支持,然而在特定受试者的运动想象任务中通常会出现训练数据稀缺的情况,除非能使用多受试者数据来扩充训练数据。遗憾的是,由于不同受试者的数据分布差异很大,仅在多受试者数据上进行训练只能使模型性能得到微小的提高甚至更差。方法:为解决该问题,本文提出了一种新的加权多分支(WMB)结构来处理多受试者数据,其中每个分支负责拟合一对源-目标受试者数据,并使用自适应权重来整合所有分支或选择权重最大的分支来做出最终决策。将提出的 WMB 结构应用于六种著名的深度学习模型 (EEGNet、Shallow ConvNet、Deep ConvNet、ResNet、MSFBCNN 和 EEG_TCNet),并在 EEG 数据集 BCICIV-2a、BCICIV-2b、高伽马数据集 (HGD) 和两个补充数据集上进行了全面的实验。结果:与最先进模型相比的优异结果证明了所提方法在特定受试者运动想象 EEG 分类中的有效性。例如,提出的 WMB_EEGNet 在 BCICIV-2a、BCICIV-2b 和 HGD 上分别实现了 84.14%、90.23% 和 97.81% 的分类准确率。结论:很明显,提出的 WMB 结构能够很好地利用具有较大分布差异的多受试者数据进行特定受试者的 EEG 分类。
摘要。目标:基于脑电图(EEG)的运动图像(MI)脑部计算机界面(BCI)主要是用于中风康复的,但是由于中风数据有限,当前的跨学科分类深度学习方法依赖于健康数据。本研究旨在评估使用健康个体数据进行预训练的MI-BCI模型的可行性,以检测中风患者的MI。方法:我们引入了一种新的转移学习方法,其中使用健康个体的两类MI数据的特征来检测中风患者的MI。我们将所提出方法的结果与中风数据中的分析获得的结果进行了比较。实验是使用深度转弯和特定于主题的机器学习MI分类器进行的,对来自健康受试者的OpenBMI两级MI-EEG数据进行了评估,并从健康受试者和两级MI和中风患者的REST数据进行了评估。主要结果:我们的研究结果表明,通过使用健康受试者数据进行预训练的模型,平均MI检测准确性为71.15%(46%)可以在71名中风患者中实现。我们证明,在转移学习后,预训练模型的准确性增加了18.15%(P p。0.001)。此外,拟议的转移学习方法的表现优于Deep Convnet和FBCSP所取得的特定主题结果,其绩效的显着增强分别为7.64%(P p。0.001)和5.55%(P p pst)。意义:转移值得注意的是,健康到中风的转移学习方法的表现与中风转移学习相似,没有显着差异(pą0.05)。使用转移模型确定的通道相关模式来解释的AI分析,这些模式表明了皮质的双侧运动,额叶和顶端区域对中风患者的MI检测的贡献。
由于非平稳性和脑电图信号的低信噪比(低SNR)特征,实现较高的分类性能是具有挑战性的。空间过滤通常用于改善SNR,但通常会忽略潜在的时间或频率信息中的个体差异。本文通过正交小波分解研究了运动图像信号,通过该分解,原始信号被分解为多个无关的子带分量。此外,通过加权渠道频谱过滤量滤波器进行过滤,并通过空间过滤共同实施,以提高EEG信号的可区分性,并具有嵌入在目标函数中的l 2-NORM正规化术语,以解决潜在的过度处理问题。最后,使用高斯先验的稀疏贝叶斯学习应用于提取的功率特征,产生RVM分类器。SEOWADE的分类性能比几种竞争算法(CSP,FBCSP,CSSP,CSSSP和Shallow Convnet)的分类性能要好得多。通过SEOWADE优化的空间滤波器的头皮重量图在神经生理学上具有更有意义。总而言之,这些结果证明了Seowade在提取单次脑电图分类的相关时空信息方面的有效性。
本研究考察了各种神经网络 (NN) 模型通过脑电图 (EEG) 信号解释心理构造的有效性。通过评估四种脑机接口 (BCI) 范式中 16 种流行的 NN 模型及其变体,我们评估了它们的信息表示能力。基于全面的文献综述结果,我们提出了 EEGNeX,这是一种新颖的纯基于 ConvNet 的架构。我们将它与现有的尖端策略和所有 BCI 基准之母 (MOABB) 进行了比较,涉及 11 个不同的 EEG 运动想象 (MI) 分类任务,结果表明 EEGNeX 超越了其他最先进的方法。值得注意的是,与竞争对手相比,它在不同场景中的分类准确率提高了 2.1-8.5%,具有统计学意义 (p < 0.05)。这项研究不仅为设计用于 EEG 数据的高效 NN 模型提供了更深入的见解,而且为未来探索生物电脑信号与 NN 架构之间的关系奠定了基础。为了促进更广泛的科学合作,我们已将包括 EEGNeX 在内的所有基准模型公开发布在(https://github.com/chenxiachan/EEGNeX)上。
摘要:随着深度学习的发展,自动高级特征提取已成为可能性,并且已被用来优化效率。最近,已经提出了基于卷积神经网络(CNN)的分类方法(CNN)的脑电图(EEG)运动成像,并达到了相当高的分类精度。但是,这些方法使用CNN单卷积量表,而最佳卷积量表因受试者而异。这限制了分类的精度。本文提出了通过从RAW EEG数据中提取空间和时间特征来解决此问题的多发性CNN模型,其中分支对应于不同的滤波器内核大小。在两个公共数据集(BCI竞争IV 2A数据集和高伽马数据集(HGD))上的实验结果证明了拟议方法的有前途的性能。该技术的结果显示,来自固定的单元EEGNET模型的多支气EEGNET(MBEEGNET)的分类准确性提高了9.61%,可变EEGNET模型的分类精度提高了2.95%。此外,多基金会的浅convnet(MbshlowerConvnet)提高了单个尺度网络的准确性6.84%。所提出的模型优于其他最先进的EEG运动图像分类方法。