XiaoMi-AI文件搜索系统
World File Search SystemEEGNet
探索QEEGNET的交叉潜力
脑电图（EEG）广泛用于神经科学和临床研究中，用于分析大脑活性。虽然诸如EEG-NET之类的深度学习模型在解码EEG信号方面已经取得了成功，但它们经常在数据复杂性，受试者间的可变性和噪声鲁棒性方面挣扎。Quantum机器学习（QML）的最新进步通过利用量子计算的独特属性来增强脑电图分析的新机会。在这项研究中，我们扩展了先前提出的量子eegnet（QEEGNET），这是一种将量子层融合到EEGNET中的混合神经网络，以研究其在多个EEG数据集中的泛化能力。我们的评估涵盖了各种各样的认知和运动任务数据集，在不同的学习情况下评估了Qeegnet的表现。实验结果表明，尽管QEEGNET的表现具有竞争性能并在某些数据集中保持稳健性，但其对传统深度学习方法的改进仍然不一致。这些发现表明，混合量子古典体系结构需要进行更优化，以充分利用脑电图处理中的量子优势。尽管有这些局限性，但我们的研究为QML在脑电图研究中的适用性提供了新的见解，并强调了未来进步必须解决的挑战。
AMEEGNet：基于注意力机制的多尺度 EEGNet，用于有效运动想象 EEG 解码
近年来，基于运动想象 (MI) 的脑电图 (EEG) 在脑机接口 (BCI) 技术中得到了显著的关注，特别用于瘫痪患者的康复。但 MI EEG 的低信噪比使其难以有效解码，阻碍了 BCI 的发展。本文提出了一种基于注意的多尺度 EEGNet (AMEEGNet) 方法来提高 MI-EEG 的解码性能。首先，采用三个并行的融合传输方法的 EEGNets 从多个尺度提取 EEG 数据的高质量时空特征。然后，高效通道注意 (ECA) 模块通过一种加权关键通道的轻量级方法增强了对更具辨别性的空间特征的获取。实验结果表明，所提出的模型在 BCI-2a、2b 和 HGD 数据集上的解码准确率分别为 81.17%、89.83% 和 95.49%。结果表明，所提出的 AMEEGNet 有效地解码了时空特征，为 MI-EEG 解码提供了新的视角，并推动了未来的 BCI 应用。
将 EEGNet 与 SPDNet 相结合，实现端到端……
摘要 — 想象语音是一种心理任务，个人在内部模拟提示的发音而无需实际发声。最近，由于其作为脑机接口 (BCI) 范例的简单性和直观性，它引起了广泛关注。因此，从脑信号中解码想象语音成为一项关键挑战，需要使用文献中记录的各种信号处理和机器学习技术来解决。最常用的神经成像方法是脑电图 (EEG)，因为它具有非侵入性、低成本和高时间分辨率。最近从 EEG 信号中解读想象语音的尝试部署了卷积神经网络 (CNN) 架构，例如浅层卷积网络、深度卷积网络和 EEGNet，而其他尝试使用交叉协方差 (CCV) 矩阵作为信号表示的替代形式。我们的新架构将 EEGNet 与 CCV 矩阵相结合，使用 SPDNet 架构中提出的双线性变换从后者中提取判别特征。我们的方法在两个公开可用的数据集上得到了验证，并且表现出与最先进的性能相当的性能，同时大大超越了两个数据集上的 EEGNet 性能。
QEEGNet：用于增强脑电图编码的量子机器学习
摘要 — 脑电图 (EEG) 是神经科学和临床实践中监测和分析大脑活动的重要工具。传统的神经网络模型（例如 EEG-Net）在解码 EEG 信号方面取得了相当大的成功，但经常难以应对数据的复杂性和高维性。量子计算的最新进展为通过量子机器学习 (QML) 技术增强机器学习模型提供了新的机会。在本文中，我们介绍了 Quantum-EEGNet (QEEGNet)，这是一种新型混合神经网络，它将量子计算与经典 EEGNet 架构相结合，以改进 EEG 编码和分析，作为一种前瞻性方法，承认结果可能并不总是超越传统方法，但它显示了其潜力。QEEGNet 在神经网络中整合了量子层，使其能够捕获 EEG 数据中更复杂的模式并可能提供计算优势。我们在基准 EEG 数据集 BCI Competition IV 2a 上评估了 QEEGNet，表明它在大多数受试者和其他抗噪性方面始终优于传统 EEG-Net。我们的研究结果凸显了量子增强神经网络在脑电图分析中的巨大潜力，为该领域的研究和实际应用指明了新的方向。索引词——脑电图、脑电图分类、量子机器学习、量子算法、深度学习、脑机接口
PSAEEGNet：基于金字塔挤压注意力机制的 CNN，用于 RSVP 任务中的单次试验 EEG 分类
脑机接口 (BCI) 技术通过解释脑电活动实现了人与计算机或其他外部设备之间的直接通信 (Cecotti and Graser, 2010; Manor and Geva, 2015)。BCI 技术在各个领域有着广泛的应用，例如运动方向识别 (Zhang et al., 2022a)、情绪识别 (Chen et al., 2019; Joshi and Ghongade, 2021; Tao et al., 2023) 和癫痫发作检测 (Xu et al., 2020; Dissanayake et al., 2021; Jana and Mukherjee, 2021; Wang B. et al., 2023)。同时，研究人员正在积极研究脑电图 (EEG) 在目标识别领域的潜在应用 (Lan et al., 2021)。在复杂环境中，计算机视觉容易受到环境干扰，
EEGNet 系列神经网络的深度比较
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。
基于滑动窗口和 EEGNet 的 EEG 运动意象预测
摘要 — 需要反复校准并考虑受试者间差异是脑机接口实际应用面临的主要挑战。由于病变导致的神经动力学改变，解码中风患者的脑信号时，问题变得更具挑战性。最近，几种深度学习架构应运而生，尽管与传统方法相比，它们往往无法产生更高的准确性，而且由于依赖于自定义功能，它们大多不遵循端到端架构。然而，其中一些架构具有以端到端方式创建更通用的功能的良好能力，例如流行的 EEGNet 架构。虽然 EEGNet 被用于解码中风患者的运动想象 (MI) 数据，但其性能与传统方法一样好。[1] 在本研究中，我们通过在基于滑动窗口的方法中引入一个称为最长连续重复 (LCR) 的后处理步骤来增强基于 EEGNet 的解码，并将其命名为 EEGNet+LCR。所提出的方法在 10 名偏瘫中风患者的 MI 数据集上进行了测试，结果表明，与唯一的 EEGNet 和更传统的方法（例如通用空间模式 (CSP)+支持向量机 (SVM)）相比，该方法在 MI 信号内和跨受试者解码方面都表现出色。我们还观察到 EEGNet+LCR 在受试者内和跨受试者类别中的表现相当令人满意，这在文献中很少见，因此它有望成为实现实用的中风康复 BCI 的有希望的候选方案。
基于 EEGNet 的精确运动意象大脑——......
摘要 — 本文介绍了一种准确而强大的嵌入式运动想象脑机接口 (MI-BCI)。所提出的新模型基于 EEGNet [1]，可满足 ARM Cortex-M 系列等低功耗微控制器单元 (MCU) 的内存占用和计算资源要求。此外，本文还提出了一组方法，包括时间下采样、通道选择和缩小分类窗口，以进一步缩小模型以放宽内存要求，同时几乎不影响准确度。在 Physionet EEG 运动/图像数据集上的实验结果表明，标准 EEGNet 在全局验证中对 2 类、3 类和 4 类 MI 任务的分类准确率分别为 82.43%、75.07% 和 65.07%，比最先进的 (SoA) 卷积神经网络 (CNN) 分别高出 2.05%、5.25% 和 6.49%。我们的新方法进一步缩小了标准 EEGNet，精度损失为 0.31%，内存占用减少了 7.6 倍，精度损失为 2.51%，减少了 15 倍。缩放后的模型部署在商用 Cortex-M4F MCU 上，运行最小模型需要 101 毫秒，每次推理消耗 4.28 mJ，在 Cortex-M7 上运行中等模型需要 44 毫秒，每次推理消耗 18.1 mJ，从而实现了完全自主、可穿戴、准确的低功耗 BCI。索引术语 — 脑机接口、运动意象、CNN、嵌入式系统、边缘计算
quEEGNet：用于生物信号处理的量子人工智能
I. 引言基于深度神经网络 (DNN) 的人工智能 (AI) 技术的飞速发展，通过分析用户的生理数据 [1]，如脑电图 (EEG) [2] 和肌电图 (EMG) [3]，实现了人机界面 (HMI) 包括脑机界面 (BCI) 的实用化。然而，此类生物信号很容易根据每个受试者的生物状态而变化 [4]。因此，典型的 HMI 系统通常需要频繁校准。为了解决这个问题，已经提出了采用领域泛化和迁移学习的主题不变方法 [5]–[11]，以减少 HMI 系统的用户校准。在本文中，我们首次在文献中将一个新兴的框架“量子机器学习 (QML)” [12]–[31] 引入到生物信号处理应用中，展望了未来的量子霸权时代 [32]，[33]。与传统数字计算机相比，量子计算机可以利用叠加和纠缠等量子机制实现计算效率更高的信号处理，不仅在执行时间方面，而且在能耗方面。在过去的几年中，一些供应商已经成功制造出商用量子处理单元 (QPU)。例如，IBM 在 2021 年发布了 127 量子比特 QPU，并计划到 2023 年生产 1121 量子比特 QPU。因此，QML 广泛应用于实际应用已不再遥远。最近，提出了基于变分原理 [34]–[37] 的混合量子-经典算法来处理量子噪声。本文的主要贡献总结如下：
Q-EEGNet：一种用于边缘运动想象脑机接口的节能 8 位量化并行 EEGNet 实现
摘要 —运动想象脑机接口 (MI- BMI) 通过分析脑电图 (EEG) 记录的大脑活动，实现人脑与机器之间直接且可访问的通信。延迟、可靠性和隐私限制使得将计算转移到云端并不合适。实际使用案例需要可穿戴、电池供电且平均功耗低的设备以便长期使用。最近，出现了用于分类 EEG 信号的复杂算法，尤其是深度学习模型。虽然这些模型达到了出色的准确性，但由于其内存和计算要求，它们通常会超出边缘设备的限制。在本文中，我们展示了 EEGN ET 的算法和实现优化，EEGN ET 是一种适用于许多 BMI 范式的紧凑型卷积神经网络 (CNN)。我们将权重和激活量化为 8 位定点，4 类 MI 的准确度损失为 0.4%，可忽略不计，并利用其定制的 RISC-V ISA 扩展和 8 核计算集群，在 Mr. Wolf 并行超低功耗 (PULP) 片上系统 (SoC) 上实现了节能的硬件感知实现。通过我们提出的优化步骤，与单核分层基线实现相比，我们可以获得 64 倍的整体加速和高达 85% 的内存占用减少。我们的实现仅需 5.82 毫秒，每次推理消耗 0.627 mJ。凭借 21.0 GMAC/s/W，它的能效比 ARM Cortex-M7 上的 EEGN ET 实现（0.082 GMAC/s/W）高 256 倍。索引词——脑机接口、边缘计算、并行计算、机器学习、深度学习、运动意象。