XiaoMi-AI文件搜索系统
World File Search SystemImager
使用集成课程学习和协作训练进行运动意象解码
摘要 — 在本文中，我们研究了从脑电图 (EEG) 数据中解码跨受试者运动想象 (MI) 的问题。由于各种个体间差异（例如大脑解剖结构、性格和认知特征），多受试者 EEG 数据集呈现出几种领域转变。这些领域转变使多受试者训练成为一项具有挑战性的任务，也阻碍了跨受试者的稳健泛化。受领域泛化技术对于解决此类问题的重要性的启发，我们提出了一种两阶段模型集成架构，该架构由多个特征提取器（第一阶段）和一个共享分类器（第二阶段）构建，我们使用两个新颖的损失项对其进行端到端训练。第一个损失应用课程学习，迫使每个特征提取器专门针对训练对象的子集并促进特征多样性。第二个损失是集成内蒸馏目标，允许集成模型之间协作交换知识。我们将我们的方法与几种最先进的技术进行了比较，在两个大型 MI 数据集（即 PhysioNet 和 OpenBMI）上进行了独立于受试者的实验。我们的算法在 5 倍交叉验证和留一受试者评估设置中均优于所有方法，并且使用的可训练参数数量要少得多。我们证明了我们的模型集成方法结合了课程学习和协作训练的力量，可实现高学习能力和稳健的性能。我们的工作解决了多受试者 EEG 数据集中的域转移问题，为无校准脑机接口铺平了道路。我们将代码公开发布在：https：//github.com/gzoumpourlis/Ensemble-MI。索引术语——脑机接口、EEG、运动意象解码、模型集成、域泛化
用于 BCI 运动想象解码的强大而简单的深度学习基线
摘要 — 我们提出了 EEG-SimpleConv，一种用于 BCI 中运动想象解码的简单 1D 卷积神经网络。我们的主要动机是提出一个简单且性能良好的基线来进行对比，仅使用文献中非常标准的成分。我们在四个 EEG 运动想象数据集（包括模拟在线设置）上评估其性能，并将其与最近的深度学习和机器学习方法进行比较。EEG-SimpleConv 至少与其他方法一样好或效率更高，显示出跨学科的强大知识转移能力，但推理时间较短。我们主张使用现成的成分而不是临时解决方案可以极大地帮助 BCI 采用深度学习方法。我们使模型和实验的代码易于访问。
增强基于运动意象的脑机接口用于中风康复
在全球范围内，中风幸存者的残疾率超过 80%，其中上肢运动障碍影响了 85% 以上的个人。为了应对这一挑战，基于运动想象 (MI) 的脑机接口 (BCI) 已成为一种有前途的方法，可将个人想象的运动意图转化为外部设备的控制信号。脑电图 (EEG) 信号因其非侵入性、便携性、高时间分辨率和价格实惠而常用于 MI-BCI。本研究利用了公开可用的脑电图运动/图像数据集 (EEGMMIDB)，包括来自 109 名参与者的 64 通道 EEG 记录，采样率为 160 Hz。目的是直接使用长短期记忆 (LSTM) 网络在清理后的 EEG 信号上对手掌和脚的张开/闭合进行分类，从而绕过计算密集且耗时的传统特征提取方法。通过调整与时期和段长度相关的超参数，我们实现了 71.2% 的平均分类准确率。这项研究强调了深度学习方法在生成稳健的控制信号以使用 EEG 信号预测运动意图方面的有效性，从而无需使用费力的特征提取方法。通过利用深度学习模型，MI-BCI 设备可以促进神经康复，尤其是中风患者的神经康复，通过提供运动辅助，使患者能够仅通过想象力来执行动作。
使用自适应改进的运动想象分类...
a. 将空间滤波器应用于处理后的训练数据以获得过滤后的训练数据。b. 计算过滤后的训练数据和训练标签之间的损失。c. 通过更新空间滤波器来最小化损失。（4）保存学习到的空间滤波器。（5）将学习到的空间滤波器应用于处理后的训练数据以获得过滤后的训练数据。（6）从过滤后的训练数据中提取特征以获得训练特征。（7）使用训练特征和训练标签训练分类器。（8）保存训练后的分类器。（9）预处理原始测试数据以获得处理后的测试数据。（10）将学习到的空间滤波器应用于处理后的测试数据以获得过滤后的测试数据。（11）从过滤后的测试数据中提取特征以获得测试特征。（12）使用训练后的分类器预测测试特征的标签。（13）返回预测的测试标签。
用于运动意象分析的多层 CNN 模型
摘要 明尼苏达大学的研究人员率先提出了脑控无人机的概念，并由此引发了一系列研究。这些早期的努力为更先进的脑控无人机原型奠定了基础。然而，由于 BCI 信号具有非平稳性和高维性，因此本质上非常复杂。因此，仔细考虑特征提取和分类过程至关重要。本研究引入了一种新方法，将预训练的 CNN 与经典神经网络分类器和 STFT 频谱相结合，形成多层 CNN 模型 (MTCNN)。MTCNN 模型用于解码两类运动想象 (MI) 信号，从而实现对无人机上下运动的控制。本研究的实验阶段涉及四个关键实验。第一个实验使用大量数据集评估了 MTCNN 模型的性能，分类准确率高达 99.1%。第二个和第三个实验针对同一受试者在两个不同的数据集上评估了该模型，成功解决了与受试者间和受试者内差异相关的挑战。 MTCNN 模型在两个数据集上都实现了 99.7% 的出色分类准确率。在第四次实验中，该模型在另一个数据集上进行了验证，实现了 100% 和 99.6% 的分类准确率。值得注意的是，MTCNN 模型在两个 BCI 竞赛数据集上的准确率超过了现有文献。总之，MTCNN 模型展示了其解码与左手和右手运动相关的 MI 信号的潜力，为脑控无人机领域提供了有希望的应用，特别是在控制上下运动方面。此外，MTCNN 模型有可能通过促进该模型与基于 MI 的无人机控制系统的集成，为 BCI-MI 社区做出重大贡献。
基于子带级联 CSP 的深度迁移学习，用于跨受试者下肢运动意象分类
摘要 — 由于人类大脑中左右下肢运动的生理表征过于接近，下肢运动想象 (MI) 分类是脑机接口 (BCI) 中一个具有挑战性的研究课题。此外，MI 信号具有严重的受试者特异性。以前的研究中为特定受试者设计的分类方案无法满足通用 BCI 系统中跨受试者分类的要求。因此，本研究旨在建立跨受试者下肢 MI 分类方案。提出了三种新型子带级联公共空间模式 (SBCCSP) 算法来提取具有低冗余度的代表性特征。已根据从执行 MI 任务的受试者中收集的下肢步进式 MI 信号进行了验证。已验证了采用三种 SBCCSP 算法的所提方案具有比其他公共空间模式 (CSP) 变体更好的准确度和运行时间性能，最佳平均准确度为 98.78%。本研究首次研究了基于实验步进式 MI 信号的跨受试者 MI 分类方案。所提出的方案将对开发用于下肢辅助和康复应用的通用 BCI 系统做出重要贡献。
基于脑电图的运动想象分类的动态域自适应深度学习网络
摘要：脑电信号相邻通道之间存在相关性，如何表示这种相关性是目前正在探索的问题。另外，由于脑电信号的个体间差异，这种差异导致新受试者需要花费大量的校准时间进行基于脑电的运动想象脑机接口。为了解决上述问题，我们提出了一种基于动态域自适应的深度学习网络。首先，将脑电数据映射到三维几何空间，通过3D卷积模块学习其时空特征，然后利用空间通道注意机制加强特征，最后的卷积模块可以进一步学习特征的时空信息。最后，为了考虑受试者间和跨会话的差异，我们采用了动态领域自适应策略，通过引入最大均值差异损失函数来减少特征之间的距离，并利用部分目标域数据对分类层进行微调。我们在BCI竞赛IV 2a和OpenBMI数据集上验证了所提方法的性能。在受试者内实验下，在OpenBMI和BCIC IV 2a数据集上获得了70.42±12.44和73.91±11.28的准确率。
使用Multi-Branch CNN
摘要：脑–计算机接口（BCI）是一个基于计算机的系统，允许大脑与外部世界之间进行通信，从而使用户能够使用神经活动与计算机进行交互。该大脑信号是从脑电图（EEG）信号获得的。基于脑电图发展BCI的显着障碍是主题无关的运动图像数据的分类，因为脑电图数据非常个性化。深度学习技术（例如卷积神经网络（CNN））已经说明了它们对特征提取的影响，以提高分类精度。在本文中，我们提出了一个多分支（五个分支）的2D卷积神经网络，该网络为每个分支使用多个超参数。所提出的模型在三个公共数据集上实现了跨主题分类和优于EEGNET，ShandowConvnet，DeepConvnet，MMCNN和EEGNET_FUSION的有希望的结果。我们提出的模型EEGNET融合V2分别为EEGMMIDB数据集的实际和想象的运动活动达到89.6％和87.8％的精度，而BCI IV-2A和IV-2B数据集的实际运动活动分别为74.3％和84.1％。但是，该模型的计算成本更高，即，每个样本的计算时间比EEGNET_Fusion所需的计算时间大约高3.5倍。
使用相干散射增强和融合注意力金字塔从低 SCNR SAR 图像中检测飞机
摘要：近年来，基于深度学习的方法已被应用于合成孔径雷达（SAR）图像的目标检测。然而，由于SAR的成像机制和低信杂噪比（SCNR），利用SAR图像进行飞机检测仍然是一项具有挑战性的任务。针对这一问题，提出了一种基于相干散射增强和融合注意机制的低SCNR SAR图像飞机检测新方法。考虑到人造目标与自然背景之间的散射特性差异，引入相干散射增强技术来增强飞机散射信息并抑制杂波和斑点噪声。这有利于深度神经网络后续提取有关飞机的准确和有判别力的语义信息的能力。此外，开发了一种改进的Faster R-CNN，该网络具有一种融合局部和上下文注意的新型金字塔网络。局部注意通过增强重要对象的可区分特征来自适应地突出显示重要对象，而上下文注意则有助于网络提取图像的不同上下文信息。融合局部注意力和上下文注意力可以保证飞机被尽可能完整地检测到。在TerraSAR-X SAR数据集上进行了广泛的实验以与基准进行比较。实验结果表明，所提出的飞机检测方法在低SCNR下可以达到高达91.7％的平均精度，显示出有效性和优于许多基准。