XiaoMi-AI文件搜索系统
World File Search SystemEEGNET
脑电图解码深度学习方法的经验比较
脑电图（EEG）是一种可在非侵入性脑机界面（BMI）系统中用于注册脑电活动的技术。EEG信号是非线性和非平稳的，使解码过程成为复杂的任务。深度学习技术已成功地应用于几个研究领域，与传统方法相比，经常改善结果。因此，人们认为这些技术还可以改善在BMI系统中解码大脑信号的过程。在这项工作中，我们介绍了两个基于深度学习的解码器的实施，并将结果与其他最先进的深度学习方法进行了比较。第一个解码器使用长期记忆（LSTM）复发性神经网络，第二个题为EEGNET-LSTM的第二个解码器将基于卷积神经网络（称为EEGNET）的众所周知的神经解码器与某些LSTM层相结合。使用BCI竞争IV的数据集2A对解码器进行了测试，结果表明，EEGNET-LSTM解码器比赢得比赛的解码器好约23％。wilcoxon t检验在两个解码器之间显示出显着的区别（z = 2.524，p = 0.012）。基于LSTM的解码器比同一竞争中最佳解码器高约9％。但是，没有显着的差异（z = 1.540，p = 0.123）。为了验证EEGNET-LSTM解码器在另一个数据上的复制，我们使用Physionet的Physiobank EEG EEG运动/成像数据集进行了测试。EEGNET-LSTM比EEGNET提出的性能（0.85精度）（0.82精度）。这项工作的结果对于开发新研究以及基于脑电图的BMI系统至关重要，这可以从神经解码器的高精度中受益。
使用水印
摘要 - 基于EEG的神经网络，医学诊断和脑部计算机界面的关键，由于依赖敏感的神经生理数据和资源密集型发展，面临着重要的知识产权（IP）风险。当前的水印方法，尤其是使用抽象触发器集的方法，缺乏强大的身份验证，并且无法解决EEG模型的独特挑战。本文介绍了针对基于EEG的神经网络量身定制的基于密码的Wonder滤清器水印框架。利用抗碰撞的哈希功能和所有者的私钥，Wonder Filter在训练过程中嵌入了位水印，可确保最小的失真（EEG任务准确性下降5％）和高可靠性（100％水印检测）。该框架是针对对抗性攻击的严格评估，包括微调，转移学习和神经元修剪。的结果表明，即使在积极的修剪后，水印状态的分类准确性仍然超过90％，而主要的任务绩效降低了速度，却阻止了去除尝试的速度。盗版性耐药性通过无法嵌入次级水印而没有严重准确性损失（在EEGNET和CCNN模型中> 10％）来验证。加密散列可确保身份验证，从而降低了蛮力攻击成功概率。在DEAP数据集上进行了跨模型（CCNN，EEGNET，TSEPTION）的评估，该方法达到了> 99。4％的无效剂量准确性，有效地消除了误报。通过将Wonder过滤器与EEG特异性改编整合在一起，这项工作弥合了神经生理模型的IP保护方面的关键差距，为医疗保健和生物识别应用提供了安全的，防篡改的解决方案。该框架针对对抗性修饰的鲁棒性强调了其在维护诊断效用的同时维护敏感的脑电图模型的潜力，从而促进了对AI驱动的生物医学技术的信任。
![arXiv:2305.19379v1 [cs.HC] 2023 年 5 月 27 日](/simg/g:\will\search\icon\source\9\9ea07e620b7bcdf1d8b17551c75a9fb70074c397.webp)
arXiv:2305.19379v1 [cs.HC] 2023 年 5 月 27 日
摘要。跨主体或独立于主体的情绪识别一直是情感计算中的一项艰巨任务。这项工作是关于一个易于实现的情绪识别模型，该模型可独立地对来自脑电图信号的情绪进行分类。它基于著名的 EEGNet 架构，该架构用于脑电图相关的 BCI。我们使用了“使用自然刺激的情绪数据集”（DENS）数据集。该数据集包含“情绪事件”——参与者感受到的情绪时间的精确信息。该模型是 CNN 的常规、深度和可分离卷积层的组合，用于对情绪进行分类。该模型能够学习脑电图通道的空间特征和脑电图信号随时间变化的时间特征。该模型针对价空间评级进行了评估。该模型的准确率达到了 73.04%。
BCI 与 Red Pitaya STEMLab 125-10
在整个领域提出的所有 BCI 范例中，我们决定专注于运动意象 (MI)，这是一种识别与想象运动相关的信号的范例。该范例常用的大脑相关信号是脑电图信号 (EEG)，它易于获取且非侵入性。传统上，特征提取器和分类器的组合已用于处理这些信号并识别 MI 任务，并获得可接受的性能水平。最近，卷积神经网络 (CNN) 是这两种算法的组合，已用于处理 EEG 信号，获得相似的性能水平，同时比其他机器学习 (ML) 算法更简单。EEGNet 就是一个例子，这是一种紧凑的 CNN 架构，足够强大，可以在一系列 BCI 任务中学习各种可解释的特征，并且与其他参考算法相比，跨范例的泛化更好。
功能性神经网络：用于功能数据的换档模型，并具有脑电图分类的应用程序
在BCI的背景下，更具体地用于通过脑电图（EEG）测量的数据分析，传统方法基于根据数据计算得出的精心选择的功能。通常应用的技术包括时间域中脑电图数据的主要成分分析，或基于频域中功率谱的特征（Azlan＆Low，2014; Boubchir等，2017; Boonyakitanont et al。，2020）。由于深度学习领域的最新进展，提出了避免手动特征提取的神经网络的不同架构，并且似乎超过了更传统的方法。例如，提出了神经网络EEGNET来支持多个BCI范式，通常被称为该领域的基准模型（Lawhern等，2018）。在临床环境中，使用VGG16神经网络的某些变体来检测与癫痫相关的信号（Da Silva LourenC报O等，2021）。通常，深度学习已成功地应用于与脑电图数据有关的各种任务（Craik等，2019； Roy等，2019）。
![arxiv：2301.05869v2 [cs.lg] 2023年8月10日](/simg/g:\will\search\icon\source\4\47b0820a8bbd0dc424d1af53abb30fd5ef096fab.webp)
arxiv：2301.05869v2 [cs.lg] 2023年8月10日
在BCI的背景下，更具体地用于通过脑电图（EEG）测量的数据分析，传统方法基于根据数据计算得出的精心选择的功能。通常应用的技术包括时间域中脑电图数据的主要成分分析，或基于频域中功率谱的特征（Azlan＆Low，2014; Boubchir等，2017; Boonyakitanont et al。，2020）。由于深度学习领域的最新进展，提出了避免手动特征提取的神经网络的不同架构，并且似乎超过了更传统的方法。例如，提出了神经网络EEGNET来支持多个BCI范式，通常被称为该领域的基准模型（Lawhern等，2018）。在临床环境中，使用VGG16神经网络的某些变体来检测与癫痫相关的信号（Da Silva LourenC报O等，2021）。通常，深度学习已成功地应用于与脑电图数据有关的各种任务（Craik等，2019； Roy等，2019）。
使用带有注意块的多分支卷积神经网络模型进行基于脑电图的运动想象信号分类
摘要：脑信号可以通过脑电图 (EEG) 捕获，并用于各种脑机接口 (BCI) 应用。使用 EEG 信号对运动想象 (MI) 进行分类是帮助中风患者康复或执行某些任务的重要应用之一。处理 EEG-MI 信号具有挑战性，因为这些信号很弱、可能包含伪影、取决于患者的情绪和姿势，并且信噪比低。本文提出了一种多分支卷积神经网络模型，称为带卷积块注意模块的多分支 EEGNet (MBEEGCBAM)，使用注意机制和融合技术对 EEG-MI 信号进行分类。注意机制应用于通道和空间。与其他最先进的模型相比，所提出的模型是一种轻量级模型，具有更少的参数和更高的准确性。所提模型在使用 BCI-IV2a 运动想象数据集和高伽马数据集时，准确率分别为 82.85% 和 95.45%。此外，在使用融合方法 (FMBEEGCBAM) 时，准确率分别达到 83.68% 和 95.74%。
使用...
抽象背景：诊断情绪状态将改善人类计算机的互动（HCI）系统在实践中更有效。脑电图（EEG）信号和情绪之间的相关性在各种研究中都显示出来；因此，基于EEG信号的方法是最准确和最有用的方法。方法：在这项研究中，适用于处理EEGNET，ShallowConvnet和DeepConvnet的三个卷积神经网络（CNN）模型适用于处理EEG信号，用于诊断情绪。我们使用基线去除预处理来提高分类精度。每个网络以两种方式进行评估：主题依赖性和主题无关。我们将选定的CNN模型改进，以在Raspberry Pi处理器上轻巧且可实现。在嵌入式系统上每三秒钟接收的信号时，情绪状态被确认，可以在实践中实时使用。结果：价值依赖性的平均分类精度为99.10％，唤醒的平均分类精度为99.20％，价为90.76％，在众所周知的DEAP数据集中获得了独立的唤醒的90.94％。结论：将结果与相关工作的比较表明，实践已经实现了高度准确且可实施的模型。
具有注意机制的多尺度时间卷积网络，用于单侧上肢运动运动想象过程中的力量水平分类
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。
TSception：利用脑电图进行情绪检测的深度学习框架
摘要 — 在本文中，我们提出了一种深度学习框架 TSception，用于从脑电图 (EEG) 中检测情绪。TSception 由时间和空间卷积层组成，可同时学习时间和通道域中的判别表示。时间学习器由多尺度 1D 卷积核组成，其长度与 EEG 信号的采样率有关，可学习多个时间和频率表示。空间学习器利用额叶大脑区域情绪反应的不对称特性来学习来自大脑左半球和右半球的判别表示。在我们的研究中，设计了一个系统来研究沉浸式虚拟现实 (VR) 环境中的情绪唤醒。使用该系统从 18 名健康受试者收集了 EEG 数据，以评估所提出的深度学习网络对低情绪唤醒状态和高情绪唤醒状态进行分类的性能。将所提出的方法与 SVM、EEGNet 和 LSTM 进行了比较。 TSception 实现了 86.03% 的高分类准确率，显著优于之前的方法（p <0.05）。索引词 — 深度学习、卷积神经网络、脑电图、情绪唤醒、虚拟现实