使用ai工具探究论文的工作流(阅读一个EEG的cnn-lstm文献（2021）)

已于 2024-11-24 16:12:31 修改
阅读量1.1k 收藏 27
点赞数 19
文章标签： 人工智能 cnn lstm
于 2024-11-19 23:11:47 首次发布
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/qq_45019121/article/details/141474501
版权

文章目录

以一个CNN-LSTM的2021年的文章为例，使用ai进行分析。
Subject-Independent Drowsiness Recognition from Single-Channel EEG with an Interpretable CNN-LSTM model

更多论文包括代码和数据的请访问Paper with code
分析的方法：
借用李沐老师提到的读论文方式：
一篇论文主要有下面的内容

  1. title-标题
  2. abstract-摘要
  3. intro-介绍
  4. method-提出的算法
  5. exp-实验
  6. conclusion-结论

李沐老师的方法论

第一遍：做海选

读标题、摘要和结论–>知道论文在讲什么。

然后去实验和方法部分大致看一眼图和表讲的是什么。

依此来决定要不要把这篇文章读下去。

第二遍：对相关论文进行精选

将整个文章从头到尾过一遍但是不需要过于注重细节。

一些公式、证明部分可以忽略。

重要的图和表搞清楚他每一个字在干什么。

方法里的流程图长什么样子。

图中的x轴和y轴都表示什么含义。

作者方法和别人是怎么对比的，差距又有多大。

这个过后可能还不是特别懂他在讲什么，不要紧，可以留到最后。

在阅读过程中，发现作者引用的重要文献自己没有读过就可以把他圈起来。

在这之后根据自己需求判断这篇文章的难度适不适合自己，如果不适合就可以选择这篇文章引用的更简单、基础的一些的文章。

第三遍：重点研读

  • 把自己的角度代入到作者的论文中
  • 在每一步想如果是自己会怎么解决这个办法
  • 作者没有继续往下走的部分

AI是怎么分析一个文章的

以神经网络相关领域为分析对象

标题（Title）和关键词

AI 会对标题进行关键词提取，结合已有的知识图谱推断主题，比如“Transformer”、“自监督学习”或“生成对抗网络”，快速理解论文的研究方向和创新点。

摘要（Abstract）分析

AI 可通过自然语言处理（NLP）技术提取摘要中的核心研究问题、创新方法和实验结论。例如：

  • 问题：是否提出新的网络架构？
  • 方法：是否使用新型损失函数或优化技巧？
  • 结论：是否展示出优于现有方法的性能？

引言（Introduction）梳理背景与动机

AI 会解析引言中的研究背景、相关工作和论文动机，尝试建立与已有知识的联系，例如是否解决了某个痛点或突破了当前瓶颈。

方法（Method）分解技术细节

AI 可结构化解析方法部分，包括：

  • 流程图和伪代码的逻辑梳理。
  • 公式的分解，分析关键数学步骤。
  • 核心方法与现有技术的对比（如模型结构与性能）。

实验（Experiment）数据挖掘

AI 会自动解析实验部分的数据和图表，提取模型性能对比、消融实验结论等。

  • 将图表中的数值转化为表格。
  • 比较不同方法的优劣，生成具体的结论性描述。

结论（Conclusion）总结意义与方向

AI 能自动提取结论部分的贡献点和作者提出的未来研究方向，用于推荐后续学习路线。

二者结合

第一遍：做海选

AI 会筛选大量论文的标题、摘要和结论，按照研究方向和创新点排名，提供最相关的几篇论文供用户深度阅读。

可以借助chatgpt和Claude来进行相关方向的概述和推荐。

对实验和方法部分，AI 可生成简短摘要或重点图表说明，快速判断文章的潜在价值。

第二遍：精选分析

AI 辅助阅读全文，提供详细注释和背景说明。例如，帮助理解复杂的图表、公式，甚至与已有技术的对比。
kimi
推荐@使用费曼学习。来进行文章细节和整体的把握。
chatpdf
上面这两个都可以。
对于一些概念和名词的扩展搜索，可以使用天工ai。

生成“引用关系图谱”，标注重要参考文献，帮助用户确定需要补读的文献。
对于引用关系图谱：
有下面一些工具
Semantic Scholar

  • 功能：论文搜索、摘要提取、关键点总结。
  • 用法：
    • 输入关键词（如 “transformer neural networks”）。
    • 查看论文的“Highlights”和“KeyCitations”。
    • 追踪引用关系、相关论文。

Connected Papers
功能：生成论文引用和相关性图谱。
用法：

  • 搜索论文标题或 DOI。

    浏览论文与其他工作的引用或共同引用关系。
    researchrabbit

第三遍：重点研读

AI 可模拟用户的思维逻辑，在每一步对作者的思路和方法提出假设或改进建议。例如，作者的方法是否可以扩展？是否遗漏了重要的实验验证？
生成思维导图，帮助用户深入理解文章的每一个步骤。
思维导图的工具还没找到，天工可以生成一些，但是是和相关概念绑定的。
比较适合发散性的思考。

此外，ai神经网络领域的阅读重点补充。

特别是 AI 神经网络领域的阅读补充
神经网络论文中，方法和实验往往是重点：

  • 方法部分：
    • AI 会自动解析网络结构图，提取核心模块（如卷积、注意力机制）。
    • 分析优化算法、正则化技术和新型激活函数。
  • 实验部分：
    • AI 能从实验结果中总结性能指标，如准确率、F1 分数，生成对比分析。
    • 对消融实验和超参数优化的细节提供注释。
  • 注重图表： AI 会结合图表中的数据生成文字解释，例如训练曲线的趋势、对比实验的性能优势等。
  • 生成自己的思考路径： 基于用户的需求，AI 会提供模拟改进建议或生成实验方向提示，例如：
    • “如果使用另一种数据集或模型结构，性能是否会提升？”
    • “方法是否对小样本学习有改进空间？”

一个按照方法论阅读的实例：

根据上传的论文，以下是结合之前提到的三遍阅读方法对这篇论文进行初步分析的结果：

第一遍：做海选

  1. 标题和摘要

    • 标题: Subject-Independent Drowsiness Recognition from Single-Channel EEG with an Interpretable CNN-LSTM model
    • 摘要核心:
      • 提出了一个 CNN-LSTM 模型用于单通道 EEG 的驾驶员困倦检测。
      • 目标是实现“受试者无关”的分类，提高模型的可解释性。
      • 模型准确率达到 72.97%，高于传统方法和其他深度学习模型。
      • 可视化分析揭示了不同精神状态下 EEG 特征的模式。

  2. 结论（总结核心成果）

    • 提出了一种新颖的 CNN-LSTM 模型，用于解释 EEG 数据的分类。
    • 通过可视化技术揭示了 EEG 中与清醒和困倦状态相关的神经模式（如 Alpha 纺锤波）。
    • 模型性能超越基准和现有模型，为基于 EEG 的受试者无关困倦识别提供了新方向。

  3. 快速查看实验与方法

    • 实验结果显示，模型的准确率显著高于基准方法（55.42%-69.27%）。
    • 方法部分采用 CNN 提取特征，并通过 LSTM 处理时间依赖关系，还设计了新颖的可视化技术。

结论: 论文值得深入阅读，特别是其模型结构和可解释性方法。

第二遍：精选分析

对论文进行更全面但不深入的阅读：

  1. 引言

    • 动机：当前 EEG 困倦检测方法依赖个体数据，校准过程费时费力，需开发受试者无关的解决方案。
    • 问题：EEG 数据个体差异大，噪声和伪影影响分类准确率。
    • 现有工作不足：大部分模型被视为黑箱，缺乏对学到的特征的解释。

  2. 方法部分

    • 数据集: 使用 27 名参与者的公开 EEG 数据集，单通道信号来自 Oz 通道。
    • 预处理: 数据经过高通（1 Hz）和低通（50 Hz）滤波，并采样到 128 Hz。
    • 网络结构:
      • CNN 提取时间序列特征。
      • LSTM 处理特征的时间依赖关系。
      • Softmax 分类输出。
    • 可视化技术: 设计了相对热图（relative heatmap）和累积热图（accumulated heatmap）显示重要特征。

  3. 实验部分

    • 对比了三种深度学习模型（Deep CNN、EEGNet、Compact CNN）和三种基准方法（Relative Power、Power Ratio、Four Entropies）。
    • 结果:
      • 提出模型在 11 个受试者上平均准确率为 72.97%，显著高于基准。
      • 可视化发现 Alpha 纺锤波是困倦状态的强指示器。

结论: 方法与实验部分的创新点明确，可视化技术为模型的解释性提供支撑，值得进一步研读。

第三遍：重点研读

重点深入以下部分：

  1. 网络结构和可视化技术:

    • 深入理解 CNN 和 LSTM 的结合方式。
    • 仔细分析可视化技术公式（如公式 4 和 5）如何生成热图。
    • 思考如何改进 CNN-LSTM 的结构设计以提升性能。

  2. 实验设计:

    • 复现模型的训练过程，验证数据平衡策略对结果的影响。
    • 探讨数据清理流程如何影响模型的特征学习。

  3. 可视化结果:

    • 对比不同热图（相对热图 vs 累积热图）的解释力。
    • 检查 Alpha 纺锤波与困倦状态的关联是否与已有文献一致。

  4. 模型改进方向:

    • 是否可以通过更复杂的时间序列模型（如 Transformer）替代 LSTM。
    • 引入更复杂的正则化或数据增强方法。

重点摘要：

以下是根据论文内容生成的重点摘要，分为核心要点、方法创新、实验结果和未来方向四个部分：

核心要点

  1. 研究目标: 提出一种新型的 CNN-LSTM 模型，用于单通道 EEG 信号的驾驶员困倦检测，且无需依赖特定个体数据（受试者无关分类）。
  2. 关键创新: 提高深度学习模型的可解释性，设计可视化技术揭示 EEG 信号中重要特征。
  3. 主要成果:
    • 模型平均准确率为 72.97%，显著优于传统方法（55.42%-69.27%）和其他深度学习模型。
    • 可视化发现 Alpha 纺锤波与困倦状态显著相关。

方法创新

  1. 网络架构:
    • CNN: 提取 EEG 时间序列信号的局部特征。
    • LSTM: 捕捉信号的时间依赖关系。
    • Softmax: 实现二分类（警觉 vs 困倦）。
  2. 数据预处理:
    • 选用公开数据集，使用 Oz 通道作为单通道信号来源。
    • 数据经过高通（1 Hz）和低通（50 Hz）滤波，采样率降至 128 Hz。
  3. 可视化技术:
    • 相对热图（Relative Heatmap）: 反映输入信号局部区域对分类的重要性。
    • 累积热图（Accumulated Heatmap）: 显示信号各部分对分类结果的累计贡献。

实验结果

  1. 性能对比:
    • 提出的 CNN-LSTM 模型准确率达 72.97%，优于传统基准方法（如 Relative Power 和 Power Ratio）。
    • 对比模型包括 Deep CNN、EEGNet 和 Compact CNN，CNN-LSTM 在大部分受试者上表现更优。
  2. 可解释性分析:
    • Alpha 纺锤波作为困倦状态的强指示器。
    • EMG 噪声和高频伪影可能与清醒状态相关。
  3. 实验设置:
    • 使用留一法交叉验证（Leave-One-Subject-Out Cross Validation），确保模型的泛化能力。

未来方向

  1. 数据清理优化:
    • 根据具体分类任务设计定制化的信号清理流程，以保留对分类有益的信号特征。
  2. 模型改进:
    • 探索更复杂的序列建模方法（如 Transformer）替代 LSTM。
    • 优化模型结构和超参数以进一步提升性能。
  3. 可视化拓展:
    • 深入分析可视化结果与已知神经生理学特征的对应关系。
    • 将模型应用于其他脑电信号分类任务。

这个摘要覆盖了论文的核心内容、创新点和主要实验结果。

这篇论文使用的数据集信息如下：

数据集

  • Multi-channel EEG recordings during a sustained-attention driving task (pre-processed dataset)

数据集描述

  • 数据来源于 27 名参与者，他们在一个 90 分钟的驾驶模拟任务中完成持续注意力的测试。
  • 任务: 当虚拟驾驶车辆偏离车道时，参与者需快速响应。
  • 标注方法:
    • 基于局部反应时间（local-RT）和全局反应时间（global-RT）。
    • 信号被分为“警觉”（alert）和“困倦”（drowsy）两类。

数据预处理

  • 使用国际 10-20 系统的 32 电极 EEG 设备记录（包括 30 个 EEG 通道和 2 个参考电极）。
  • 采样率为 500 Hz，经过高通滤波（1 Hz）和低通滤波（50 Hz），并采样到 128 Hz。
  • 使用通道: 仅使用 Oz 通道（因其信号噪声最少，特征最显著）。
  • 样本长度为 3 秒，每个样本大小为 (1 \times 384)（通道数 (\times) 采样点数）。

数据集下载链接

所有的数据有15.47G,共有64个文件。比较杂乱，给出一些基础说明：
sXX表示受试者编号。
-XXXXXX数字表示日期：
表示记录的日期，格式通常为 YYMMDD。
后缀有n和m，现在意义不是很清楚，可能是两种驾驶版本，纯视觉和有运动反馈的。

.set是eeglab处理的格式。
在这里插入图片描述
在原始数据中，有下面这个可以参考的标准化的数据处理的过程，和相关的代码，之后会以某个数据来进行参考处理的尝试。
数据集被进行了清理，所以我们需要知道确定数据集的标准。
只选取每个受试者中样本数较为平衡的一组数据进行实验。
样本差异的说明：
原始数据中患者数量较多，但筛选后仅保留了 11 名受试者的数据。

  • 原始数据来自 27 名参与者，但部分受试者的数据被剔除，原因可能包括：
    • 样本总数不足：某些受试者的实验数据可能因为条件不满足或设备故障而数据量过少。
    • 数据质量不佳：如噪声过多、伪影严重，影响了后续的分类任务。
    • 类别不平衡：警觉状态和困倦状态样本比例失衡，难以用于训练有效的分类器。

样本平衡的意义

  • 目标: 确保分类器不会偏向某一类别（如困倦或警觉）。
  • 平衡策略:
    • 每个会话中，只保留两类（警觉和困倦）样本数量接近的部分。
    • 从样本数量更多的类别中，挑选出最具代表性的样本（如反应时间最短或最长的信号）。

使用方式

  1. 下载链接内容:

    • 原始数据集包含多通道 EEG 数据。
    • 实验数据集是经过论文作者进一步平衡与处理后的数据，仅包含单通道（Oz 通道）的预处理信号。

  2. 加载与使用:

    • 下载数据后，使用 Python 的 EEG 数据处理工具（如 MNE 或自定义代码）加载。
    • 对比研究时，需按照论文中的划分方式（留一法，leave-one-subject-out cross-validation）训练模型。

代码的仓库

论文中提供了代码的 GitHub 仓库链接，具体如下：

代码仓库

  • 仓库名称: Subject-Independent-Drowsiness-Recognition-from-Single-Channel-EEG-with-an-Interpretable-CNN-LSTM
  • 链接地址: 点击访问 GitHub 仓库

仓库内容

  1. 模型代码:
    • 实现 CNN-LSTM 模型结构，包括特征提取（CNN）和时间依赖建模（LSTM）。
  2. 数据处理:
    • 提供数据预处理脚本，用于加载和清理 EEG 数据。
  3. 可视化技术:
    • 包含生成相对热图和累积热图的代码，展示模型对 EEG 数据分类的解释。
  4. 实验设置:
    • 支持留一法交叉验证（Leave-One-Subject-Out Cross Validation）的实验设计。

如何使用

  1. 下载代码: 克隆仓库到本地：
    git clone https://github.com/cuijiancorbin/Subject-Independent-Drowsiness-Recognition-from-Single-Channel-EEG-with-an-Interpretable-CNN-LSTM.git
  2. 环境配置:
    • 推荐使用 Python 3.6+ 和以下依赖：
      • TensorFlow/PyTorch（根据实现选择）代码使用的应该是pytorch。
      • NumPy、Matplotlib 等基础库。
  3. 运行模型:
    • 按照仓库中的说明加载数据并运行模型。
    • 可视化脚本可生成热图，分析分类特征。
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
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