面向分类任务的双频ECoG解码网络
数值分析
2025-01-07 v3 计算机视觉与模式识别
数值分析
摘要
在脑机接口（BCI）应用中，准确解码脑信号是关键任务。对于脑信号ECoG的多类别分类任务，提高分类精度是当前的研究热点。ECoG采集采用高密度电极阵列和高采样频率，这使得ECoG数据在时域上具有一定的相似性和数据冗余性，同时在空间域中呈现独特的空间模式。如何有效提取特征既令人期待又具有挑战性。先前的研究发现，视觉相关ECoG可通过频率和空间域携带视觉信息。基于此发现，我们专注于利用深度学习设计频率和空间特征提取模块，提出了基于深度学习的Bi-Band ECoGNet模型。本文的主要贡献包括：1）设计Bi-BCWT（双频通道注意变换）神经网络模块以取代耗时的MST方法，该模块大幅提高了模型计算和数据存储效率，有效加快训练速度；2）Bi-BCWT模块能有效考虑低频和高频域的信息，有利于ECoG多分类任务；3）ECoG采用2D电极阵列，新设计的2D空间-时间特征编码器能更好地提取2D空间特征。实验表明，独特的2D空间数据结构可有效提高分类精度；4）与先前工作相比，Bi-Band ECoGNet模型更小且性能更高，准确率提升1.24%，模型训练速度提升6倍，更适用于BCI应用。
引用
@article{arxiv.2412.00378,
title = {Bi-Band ECoGNet for ECoG Decoding on Classification Task},
author = {Changqing Ji},
journal= {arXiv preprint arXiv:2412.00378},
year = {2025}
}
备注
Method in this paper is too old, we need to merge with our later method