一种用于脑机交互中生物启发式分类器优化的深度进化方法
神经与进化计算
2019-10-11 v1 人工智能
机器学习
摘要
本研究提出了一种EEG数据分类的新方法，通过探索利用进化计算来同时选择有用的判别性EEG特征并优化人工神经网络拓扑结构。应用一种进化算法从初始的2550个EEG统计特征集中选出信息量最大的特征。在分类前采用进化方法对多层感知机（MLP）进行优化，以估计网络的最佳超参数。同时探索了长短期记忆（LSTM）的深度学习与调优，并对两类模型进行了自适应增强（Adaptive Boosting）测试，每个问题均如此。提供了三个使用不同分类器的对比实验：一个用于注意力状态分类，一个用于情感情绪分类，第三个实验目标是猜测受试者所想的数字。所得结果表明，自适应增强LSTM在注意力、情感和数字数据集上的准确率分别达到84.44%、97.06%和9.94%。进化优化的MLP在前两个实验中取得了接近自适应增强LSTM的结果，而在猜数字实验中显著更高，自适应增强DEvo MLP达到31.35%，同时训练与分类明显更快。特别地，非增强DEvo MLP在同一基准上的准确率分别为79.81%、96.11%和27.07%。实验所用的两个数据集是使用Muse EEG头带采集的，其四个电极对应于国际EEG放置标准的TP9、AF7、AF8和TP10位置。EEG MindBigData数字数据集采集自TP9、FP1、FP2和TP10位置。
引用
@article{arxiv.1908.04784,
title = {A Deep Evolutionary Approach to Bioinspired Classifier Optimisation for Brain-Machine Interaction},
author = {Jordan J. Bird and Diego R. Faria and Luis J. Manso and Anikó Ekárt and Christopher D. Buckingham},
journal= {arXiv preprint arXiv:1908.04784},
year = {2019}
}
备注
14 pages, 12 figures