应用于原始 EEG、fNIRS 与身体运动数据且无需任何前/后处理的端到端（深度）神经网络用于数据融合与 BCI 分类任务
信号处理
2019-07-24 v1
摘要
使用 EEG、fNIRS 和身体运动（MoCap）数据的脑机接口（BCI）正受到越来越多的关注，因为 fNIRS 和 MoCap 不像 EEG 等其他脑成像技术那样易受运动伪影影响。深度学习（神经网络）的进步将允许使用原始数据进行高效特征提取而无需任何前/后处理。在这项工作中，我们使用端到端（深度）神经网络（NN）（从输入一直到输出）对原始 fNIRS、EEG 和 MoCap 数据进行 5 类活动的人类活动识别（BCI 分类任务）。我们的核心贡献集中于对数据应用无任何前/后处理的端到端 NN 模型。整个 NN 模型使用反向传播算法训练。我们的端到端模型由一个四层 MLP 组成：输入层、两个隐藏层（使用全连接（稠密）层、批归一化和 leaky-RELU 作为非线性和激活函数），以及使用 softmax 的输出层。我们在 10 名受试者数据和 5 类活动上的分类任务测试数据集上达到了至少 90% 的准确率。
引用
@article{arxiv.1907.09523,
title = {An end-to-end (deep) neural network applied to raw EEG, fNIRs and body motion data for data fusion and BCI classification task without any pre-/post-processing},
author = {Aras R. Dargazany and Mohammadreza Abtahi and Kunal Mankodiya},
journal= {arXiv preprint arXiv:1907.09523},
year = {2019}
}