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范式,在其他范式中使用比较少,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(模型中参数数量尽可能地少)。
该论文介绍了EEGnet,这是一种用于基于EEG的BCI的紧凑型卷积神经网络。论文介绍了使用深度和可分离卷积来构建特定于EEG的模型,该模型封装了脑机接口种常见的EEG特征提取概念。
论文通过四种BCI范式(P300视觉诱发电位、错误相关负性反应(ERN)、运动相关皮层电位(MRCP)和感觉运动节律(SMR))(几个关键名词可见下篇博客进行注解),将EEGnet在主题内和跨主体分类方面与目前最先进的方法进行了比较。结果显示,在训练数据有限的情况下,EEGNet比参考算法具体更强的泛化能力和更高的性能。同时论文也证明了EEGNet可以有效地推广到ERP和基于振荡的BCI。
下图是EEGNet的整体结构,只有三个卷积模块,重点是depthwise conv 和separable conv这两个卷积模块。(后续文章讲解)
实验结果如下图,P300数据及的所有CNN模型之间的差异非常小,但是MRCP数据及却存在显著的差异,两个EEGNet模型的性能都优于所有其他所有模型(p<0.05)。
如下图每个模型的P300,ERN和MRCP数据集的分类性能平均为30倍。对于P300和MRCP数据集,DeepConvNet和EEGNet模型之间的差异很小,两个模型的性能均优于ShallowConvNet。对于ERN数据集,参考算法(xDAWN+RG)明显优于所有其他模型。
下图是对EEGNet-4,1模型配置获得的特征进行可视化。
(A)每个空间过滤器的空间拓扑。
(B)每个滤波器的目标试验和非目标试验之间的平均小波时频差。