XiaoMi-AI文件搜索系统
World File Search SystemEEGNet
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。
使用 EEGNet 和神经网络进行单次试验脑电图分类 ...
摘要 — 研究和开发新的机器学习技术来增强脑机接口 (BCI) 的性能一直是研究人员感兴趣的领域。开发稳健且通用的分类器一直是 BCI 在实际应用中的重要要求之一。EEGNet 是一个紧凑的 CNN 模型，据报道它可以推广到不同的 BCI 范式。在本文中，我们旨在通过采用神经结构化学习 (NSL) 进一步改进 EEGNet 架构，该学习利用数据中的关系信息来规范神经网络的训练。这将允许 EEGNet 做出更好的预测，同时保持输入的结构相似性。除了更好的性能之外，EEGNet 和 NSL 的组合更加稳健，适用于较小的训练样本，并且需要单独的特征工程，从而节省计算成本。所提出的方法已经在两个标准运动图像数据集上进行了测试：第一个是来自格拉茨大学的两类运动图像数据集，第二个是来自 2008 年 BCI 竞赛的 4 类数据集 2a。准确性表明，我们结合 EEGNet 和 NSL 的方法优于单一 EEGNet 模型。
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。
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。
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。
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。
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
基于 EEG 的两阶段高效 3-D CNN 框架...
摘要 — 本文提出了一种使用 EEG 数据进行情绪识别的新型两阶段框架，该框架在保持模型尺寸小且计算效率高的同时，性能优于最先进的模型。该框架由两个阶段组成；第一阶段涉及构建名为 EEGNet 的高效模型，该模型受到最先进的高效架构的启发，并采用包含深度可分离卷积层的倒置残差块。EEGNet 模型在效价和唤醒标签上分别仅使用 6.4k、14k 和 25k 个参数即可实现 90%、96.6% 和 99.5% 的平均分类准确率。在准确率和存储成本方面，这些模型比之前最先进的结果高出多达 9%。在第二阶段，我们对这些模型进行二值化以进一步压缩它们并轻松将它们部署到边缘设备上。二值神经网络 (BNN) 通常会降低模型准确率。本文通过引入三种新方法改进了 EEGNet 二值化模型，并实现了比基线二值模型高出 20% 的改进。所提出的二值化 EEGNet 模型分别实现了 81%、95% 和 99% 的准确率，存储成本分别为 0.11Mbits、0.28Mbits 和 0.46Mbits。这些模型有助于在边缘环境中部署精确的人类情感识别系统。索引术语 — 情感识别；脑电图；3D-CNN；ResNet；量化；深度学习；二值 CNN
基于脑电图的卷积神经网络模型的多元基础卷积神经网络模型
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。
基于脑电图（EEG）的脑机接口（BCI）是一种通过输入提供大脑与外部设备之间通路的系统。
基于EEG的BCI开发和研究面临诸多挑战，例如运动图像数据的跨受试者分类。由于EEG信号的高度个性化，开发一种在预测受试者意图时达到足够高准确率的跨受试者分类方法一直很困难。2020年，我们提出了一种多分支二维卷积神经网络（CNN），每个分支使用不同的超参数值，对不同受试者的数据更加灵活。我们的模型EEGNet Fusion在103名受试者的eegmmidb数据集上针对执行和想象的运动动作分别实现了84.1%和83.8%的准确率。与三种最先进的CNN分类器EEGNet、ShallowConvNet和DeepConvNet相比，该模型取得了统计学上显著更高的结果。然而，所提模型的计算成本比用于比较的计算成本最低的模型高出四倍。