Physics-informed attention temporal convolutional network for EEG-based motor imagery classifica
基于物理信息的注意力时间卷积网络用于MIEEG分类
论文下载:
算法程序下载:
摘要
脑-机接口(BCI)是一项前沿技术,具有改变世界的潜力。在许多BCI应用中,已经广泛使用了脑电图(EEG)运动想象(MI)信号来帮助残疾人士、控制设备或环境,甚至增强人类能力。然而,大脑信号解码的有限性能正在限制BCI行业的广泛增长。在本文中,我们提出了一种基于注意力的时序卷积网络(ATCNet)用于基于EEG的运动想象分类。ATCNet模型利用多种技术,以相对较少的参数数量提升MI分类的性能。ATCNet采用科学机器学习方法设计了一个具有可解释和可解释特征的特定领域的深度学习(DL)模型,多头自注意力机制突出MI-EEG数据中最有价值的特征,时序卷积网络(TCN)提取高级时序特征,以及基于卷积的滑动窗口来有效增强MI-EEG数据。所提出的模型在BCI竞赛IV-2a数据集上的表现超过了当前最先进的技术,分别以85.38%的准确率和70.97%的准确率在依赖于受试者和不依赖于受试者模式下取得了优异的成绩。
1 项目介绍
运动想象(MI)是指在不实际移动身体部位的情况下,思考移动人体某部分的活动。基于脑电图(EEG)的运动想象(MI-EEG)活动已被应用于多种医疗场景,包括中风康复、轮椅控制、假肢控制、外骨骼控制、光标控制、拼写器以及思维转文本转换。MI-EEG信号也被用于非医疗领域,如车辆控制、无人机控制、环境控制、智能家居、安全、游戏和虚拟现实。因此,MI-EEG信号在多种医疗和非医疗行业应用中具有广泛的适用性。然而,现实世界中的应用仍受限于MI-EEG信号的解码性能和泛化能力。
MI-EEG BCI在现实世界应用的主要挑战之一是从低信噪比和非平稳的大脑信号中准确识别人类意图,这些信号可能包含各种来源的伪迹,包括生物伪迹(例如肌肉运动、眨眼)、电子设备(例如计算机和无线设备)以及环境噪声(例如光线和声音)。这些伪迹,加上通道相关性、受试者依赖性和EEG信号的高维度,使得大脑信号的分析和分类成为一个具有挑战性的任务。
2 方法
到目前为止,已经提出了几种传统的机器学习(ML)和深度学习(DL)方法来解决MI-EEG任务分类所涉及的困难。在依赖于手动特征提取的传统ML方法中,滤波器组共同空间模式(FBCSP)及其变体在MI分类中取得了最佳性能。与传统方法相比,DL可以直接从未处理的EEG数据中学习到不同和潜在的特征,而不需要进行预处理或手动特征提取。
在过去的五年中,使用深度学习(DL)方法对MI任务进行分类的研究数量迅速增加。提出了不同的DL架构用于MI分类,包括卷积神经网络(CNN)、递归神经网络(RNN)、深度置信网络(DBN)、自编码器(AE)和混合DL模型。CNN是用于MI分类最广泛的架构。已经提出了轻量级和深度架构的标准CNN模型,以及许多其他类型的CNN,包括基于Inception的CNN、基于残差的CNN、3D-CNN、多尺度CNN、多层CNN、多分支CNN和基于注意力的CNN。一些研究还建议使用其他DL模型来对MI任务进行分类。Xu等人提出了一个基于受限玻尔兹曼机(RBMs)的DBN模型进行特征提取,并使用支持向量机(SVM)进行分类。Hassan