EEGNet: A Compact Convolutional Neural Network for EEG-based Brain-Computer Interfaces 代码推理及实战

最新推荐文章于 2025-03-20 18:49:05 发布
最新推荐文章于 2025-03-20 18:49:05 发布
阅读量1.4k 收藏 20
点赞数 13
分类专栏： 脑电 文章标签： 深度学习 人工智能 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/BeTyh/article/details/142524506
版权

EEGNet 代码推理及实战

EEGNet: A Compact Convolutional Neural Network
for EEG-based Brain-Computer Interfaces

主要是Conv、Pooling、BatchNorm、Activation(ELU、Linear)、Dense、Softmax模块的组合；

下面我们将分三个Block介绍以下网络结构

  • Conv2D
  • DepthwiseConv2D
  • SeparableConv2D

在这里插入图片描述

在这里插入图片描述

输入

输入EEGNet需要设置

  • 分类种类nb_classes
  • 通道数量Chans
  • 采样频率Samples
  • 卷积核长度kernLength
  • DepthwiseConv2D的filter个数F1
  • 每个输入通道可以扩展成多少个输出通道 D
  • SeparableConv2D的filter个数F2
  • 预定义的约束项norm_rate
  • dropoutRate 和 dropoutType（Dropout是随机将部分的元素置零，而SpatialDropout会随机将不部分区域置零，SpatialDropout操作需要制定置零的维度；YOLOV4中用到了DropBlock感觉有些类似；）

还有一些作者设置好的，不需要修改的内容：

  • depthwise_constraint限制卷积核的权重，避免过大的权重，这里是设置为max_norm(1.)
  • use_bias=False 不采用网络的偏置项，可以减少网络参数，起到正则化的作用
def EEGNet(nb_classes, Chans = 64, Samples
最低0.47元/天 解锁文章
基于 CNN 的脑机接口：EEGNet 用于基于EEG的脑机接口的紧凑型卷积神经网络
sybh的博客
10-05 398
其中 E G G N e t − 4 , 2 EGGNet-4,2 EGGNet−4,2 表示 F 1 = 4 , D = 2 F_1=4,D=2 F1​=4,D=2，并且 F 2 = F 1 ∗ D F_2=F_1*D F2​=F1​∗D；输出大小为 1 ∗ ( T / / 4 ) ∗ ( D ∗ F 1 ) 1*(T//4)*(D*F_1) 1∗(T//4)∗(D∗F1​)；注意醉作者还使用了最大规范约束： ∣ ∣ W ∣ ∣ 2 < 1 ||W||^2
论文记录1
weixin_39048703的博客
10-06 638
10.6 论文记录 应用深度学习EEGnet处理脑电信号 论文链接：https://arxiv.org/pdf/1611.08024.pdf 本文主要内容： EEGnet论文； EEGnet的实现。 正文部分： 脑机接口（BCI）使用神经活动作为控制信号，实现与计算机的直接通信。这种信号通常是从各种研究透彻的脑电图（EEG）信号中挑选出来的。卷积神经网络（CNN）主要用来自动特征提取分类，其在计算机视觉和语音识别领域中的使用已经很广泛。CNN已成功应用于基于EEG的BCI；但是CNN主要应用于单个BCI
EEG | EEGNet 神经网络分类脑电信号实战（附完整源码）
Always learn from the best.
01-16 1万+
EEGNet + MNE 分类脑电数据集
论文阅读 EEGNet
m0_58970439的博客
03-20 930
传统基于CNN的脑机接口（BCI）研究多针对单一类型的任务（如P300分类、运动想象分类），并针对该任务的特定脑电信号特征设计模型。然而，不同BCI任务（如事件相关电位ERP和振荡节律信号）的脑电特征差异显著（如时域波形与频域节律），因此针对某一任务优化的CNN架构是否能在其他任务中保持良好性能尚未验证。这种局限性导致CNN模型的通用性存疑，即能否设计一个统一架构适应多种BCI范式。是否可以设计一个单一的CNN架构来准确地分类来自不同BCI范例的EEG信号，同时尽可能紧凑（定义为模型中参数的数量）？
EEGNet：一个小型的卷积神经网络，用于基于脑电的脑机接口
cc1609130201的博客
03-25 5438
脑机接口(BCI)利用神经活动作为控制信号，可以与计算机直接通信。这种神经信号通常从各种研究充分的脑电图(EEG)信号中选择。对于给定的脑机接口(BCI)范式，特征提取器和分类器是针对其所期望的脑电图控制信号的不同特征而定制的，这限制了其对特定信号的应用。卷积神经网络(Convolutional neural networks，CNNs)已被用于计算机视觉和语音识别中进行自动特征提取和分类，并成功地应用于脑电信号识别中；然而，它们主要应用于单个BCI范例，因此尚不清楚这些架构如何推广到其他范例。在这里，我们
EEGNET网络实现_脑电分类_神经网络_深度学习_信号处理_believedtep_
09-29
利用EEGNET进行数据分析的代码实例，可用于文本分类，脑电信号处理等
EEGNet: A Compact Convolutional Neural Networkfor EEG-based Brain-Computer Interfaces个人笔记
ZG
10-29 415
EEGNet: A Compact Convolutional Neural Networkfor EEG-based Brain-Computer Interfaces(Vernon J. Lawhern*, Amelia J. Solon, Nicholas R. Waytowich, Stephen M. Gordon,Chou P. Hung, and Brent J. Lance)(journal of neural engineering，2018) This paper prop
论文笔记：EEGNet：A Compact Convolutional Network for EEG-based Brain-Computer Interfaces
沃·夏澈德的博客
09-30 1349
EEGNet：A Compact Convolutional Network for EEG-based Brain-Computer Interfaces 与DEEPCNN、shallow CNN相似（笔记），只是结构上略有不同。整个网络由三个部分组成，分别对应FBCSP中的带通滤波、CSP、特征选择。
EEGNET
xmy21sunshine的博客
08-31 304
EGGNET
EEGNet
m0_73067063的博客
05-12 503
由2. Depthwise Convolution（2次）和Pointwise Convolution（1次）（逐点的卷积层操作）组成。EEGNet由一个普通卷积，一个Depthwise Convolution和一个深度可分离卷积组成。2. Depthwise Convolution---逐通道的卷积层操作。3.separable convolution（深度可分离卷积）这种卷积方式的缺点就是，在各个通道上。
深度学习应用于脑电信号分析处理的相关论文，更新了......
qq_38424674的博客
11-09 5594
分享几篇自己看过的相关论文 1.（综述性质论文）Deep learning-based electroencephalography analysis: a systematic review 论文地址：论文地址 主要思想： 这篇综述回顾了从 2010 年到 2018 年的 156 篇将 DL（Deep Learning，深度学习）应用在 EEG 的文章，这些论文涵盖了不同的应用领域，如枕测、睡眠、脑机接口、认知和情感监测，并从大量的文献中提取趋势并突出有趣的方法，以便为未来的研究提供信息并制定建议； 这篇
EEGnet模型讲解PPT.pptx
05-25
EEGNet是为专门一般的脑电图识别任务而设计的通用卷积神经网络。 精心画了三种简单清晰的卷积层操作示意图 模型设计思路和MobileNet很像。
matlab带通代码-BCI_EEGNet:2个BCI竞赛数据集的EEGNet实现
06-02
matlab带通代码BCI_EEGNet 2 个 BCI 竞赛数据集的 EEGNet 实现： Kaggle 竞赛数据集： BCI 竞赛 III 数据集 2： EEGNet CNN 架构 PyTorch 实现借鉴自：Sriram Ravindran： 代码中使用的所有数据都较早在 MATLAB 中使用 0.1-30 Hz 的二阶巴特沃斯滤波器进行带通滤波 流： 在从 BCI 竞赛数据集的链接获得的数据集上运行 .m 过滤文件 在从 Matlab 代码获得的过滤数据集上运行文件 BCI_III_DS_2_TestSet_PreProcessing.ipynb。 运行 BCI_III_DS_2_Filtered_Downsampled.ipynb 以获取 120 Hz 下采样数据的结果 修改 BCI_III_DS_2_TestSet_PreProcessing.ipynb 得到 240 Hz 原始数据的结果，然后运行 ​​BCI_III_DS_2_Filtered Data.ipynb 得到结果。 运行与上述相同的 matlab 预处理文件。 使用适当的文件路径运行 Kaggle Datas
tf_EEGNet:这是EEGNet的张量流实现
05-09
笔记 不能保证所有实现都是正确的，未经原始作者检查，只能从本文描述中重新实现。 原始纸 包含EEGNet的原始论文和模型 tf_EEGNet 这是EEGNet的张量流实现 有关更多信息，请参见 tf_ConvNet 这是ConvNet的tensorflow实现 有关更多信息，请参见 留一题实验 型号：tf_EEGNet BCI_competion 2a的预处理 1. A trial contained 2s and was extraced 0.5s after the cue was given. 2. A 4-38Hz bandpass was done by a causal 6-order Butterworth fliter. 3. The MI dataset was sampled at 250Hz. And it was resampled to 128Hz for E
EEGnet参考文献
最新发布
03-23
EEGNet: a compact convolutional neural network for EEG-based brain-computer interfaces[J]. Journal of Neural Engineering, 2018. ``` 此论文介绍了 EEGNet 的核心设计理念，包括时间卷积、空间卷积和分离...
【2011-2016】 NIPS汇总 - Advances in Neural Information Processing Systems
Testing的博客
10-02 1万+
Advances in Neural Information Processing Systems 24 (NIPS 2011) The papers below appear in Advances in Neural Information Processing Systems 24 edited by J. Shawe-Taylor and R.S. Zemel and P.L.
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
EEGNet: 神经网络应用于脑电信号
脑机接口社区
12-11 5968
脑机接口（BCI）使用神经活动作为控制信号，实现与计算机的直接通信。这种神经信号通常是从各种研究透彻的脑电图(EEG)信号中挑选出来的。卷积神经网络（CNN）主要用来自动特征提取和分类，其...
【脑机接口 算法】EEGNet: 通用神经网络应用于脑电信号
高山
11-08 3478
脑机接口（BCI）使用神经活动作为控制信号，实现与计算机的直接通信。这种神经信号通常是从各种研究透彻的脑电图(EEG)信号中挑选出来的。卷积神经网络（CNN）主要用来自动特征提取和分类，其在计算机视觉和语音识别领域中的使用已经很广泛。CNN已成功应用于基于EEG的BCI；但是，CNN主要应用于单个BCI范式，在其他范式中的使用比较少，论文作者提出是否可以设计一个CNN架构来准确分类来自不同BCI范式的EEG信号，同时尽可能地紧凑（定义为模型中的参数数量）。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

SpaceSunflower

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值