运动想象分类学习系列:EEG-FMCNN
论文地址:https://link.springer.com/article/10.1007/s11517-023-02931-x
论文题目:EEG-FMCNN: A fusion multi-branch 1D convolutional neural network for EEG-based motor imagery classification
论文代码:无
0. 引言
MI-EEG信号的高性能解码能力是影响行业发展的关键问题。然而,由于低信噪比和受试者间的变异性,解码 MI-EEG 信号具有挑战性。针对上述核心问题,本文提出了一种新的端到端网络,即融合多分支一维卷积神经网络(EEG-FMCNN),无需预处理即可解码MI-EEG信号。多分支一维卷积的利用不仅表现出一定程度的噪声容差,而且在一定程度上解决了受试者间变异性的问题。这归因于多分支架构能够从不同频段捕获信息,从而能够建立最佳的卷积尺度和深度。此外,我们在适当的位置加入了一维挤压和激励 (SE) 模块和快捷连接,以进一步增强网络的泛化性和鲁棒性。
总得来说:提出的网络结构与多分支不同的卷积核结构相比具有细微不同,但是是否有效还需要更多实验来进行验证。。。。
1. 主要贡献
- 提出了一