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。