少量滤波器足矣：用于 P300 检测的卷积神经网络
机器学习
2020-09-15 v3 计算机视觉与模式识别
机器学习
摘要
在过去十年中，卷积神经网络（CNNs）已成为越来越多应用发展的驱动力，取得了最先进的性能。大多数现代 CNN 架构由许多卷积层和全连接层组成，通常需要数千或数百万参数来学习。CNNs 在从脑电图（EEG）信号中检测事件相关电位方面也很有效，尤其是经常用于脑机接口（BCIs）的 P300 成分。然而，对于此任务，相较于基于人工设计特征的方法，检测率的提升不如其他领域显著，且可能不足以证明如此大量的参数是合理的。在本文中，我们研究了现有具有不同复杂度的 CNN 架构在四个不同数据集上用于单试次被试内和跨被试 P300 检测的性能。我们还提出了 SepConv1D，一种非常简单的 CNN 架构，由一个深度可分离一维卷积层后接一个全连接 Sigmoid 分类神经元组成。我们发现，其卷积层仅有少至四个滤波器且整体参数量很小的情况下，SepConv1D 在四个数据集上取得了具有竞争力的性能。我们认为这或许代表着朝着构建更简单、更廉价、更快速且更便携的 BCIs 迈出的重要一步。
引用
@article{arxiv.1909.06970,
title = {A few filters are enough: Convolutional Neural Network for P300 Detection},
author = {Alicia Montserrat Alvarado-Gonzalez and Gibran Fuentes-Pineda and Jorge Cervantes-Ojeda},
journal= {arXiv preprint arXiv:1909.06970},
year = {2020}
}