基于EEG的运动想象识别的深度时间网络

基于EEG的运动想象识别的深度时间网络
Deep temporal networks for EEG‑based motor imagery recognition

来源

期刊： scientific reports
作者： Neha Sharma, Avinash Upadhyay, Manoj Sharma& Amit Singhal
网址： https://www.nature.com/articles/s41598-023-41653-w

摘要

方法： 基于Transformer的深度学习神经网络架构
数据集： BCI竞赛III IVa和IV 2a原始数据集
效果： 本文提出的方法比现有的先进方法具有更优越的性能。在二分类和多分类数据集上的分类准确率分别为99.7 %和84 %。

方法

  序列数据首先在电极提供的每个时间戳进行编码，使用嵌入层将输入序列转化为向量，对嵌入向量进行位置编码形成输入序列矩阵。编码器层包括多头注意力和一个前馈层以及一个隐藏层。多头注意力和前馈层后都有一个归一化层。在所提出的架构中使用了四个transformer模块。最后一个transformer编码器块的输出被馈送到一个神经层，伴随着Softmax层，给出了每个类的概率向量。

效果

  LSTM和Transformer模型的二分类效果如表2所示，其准确率分别是85.2%和99.7%。

  LSTM和Transformer模型的多分类效果如表3所示，Transformer对第0类和第3类的分类准确率高于LSTM，而LSTM对第1类和第2类的分类准确率高于Transformer。在F1值方面，Transformer为第1和第3类提供了更好的分数，而LSTM为其他两类提供了更好的分数。

总结

  本文提出的方法处理了BCI竞赛III IVa和BCI IV 2a的数据集。在这里，信号通过一个transformer编码器，其中使用了七层卷积层。多头注意力由于支持数据的并行计算，减少了系统的计算时间。由于多头注意力，它提供了更好的准确性。残差总是被转发到下一层，这也有助于提高系统的精度。本文提出的方法在二分类和多分类数据集上的准确率分别为99.7 %和84 %，而相关损失分别为0.0098 %和16 %。我们的结果与通过转换1维( 1D )数据在MI识别任务上使用深度学习技术的最新方法相当。