运动想象脑机接口分类的二值化方法
信号处理
2020-10-15 v1 机器学习
摘要
成功的运动想象脑机接口(MI-BCI)算法要么提取大量手工特征并训练分类器,要么在深度卷积神经网络(CNN)中结合特征提取与分类。两种方法通常产生一组实值权重,在面向资源极度受限设备的实时执行时带来挑战。我们针对每种方法提出可将实值权重转换为二值数以实现高效推理的方法。第一种方法基于稀疏双极随机投影,将大量实值Riemann协方差特征投影到二值空间,其中也可学习具有二值权重的线性SVM分类器。通过调节二值嵌入的维度,我们在4类MI中取得了与float16权重模型几乎相同的准确率(降低≤1.27%),同时得到更紧凑的模型与更简单的执行操作。第二,我们提出将记忆增强神经网络(MANN)用于MI-BCI,使增广记忆二值化。我们的方法用基于双极随机投影或学习投影的二值增广记忆替换CNN的全连接层。我们在EEGNet(一种已有的紧凑MI-BCI CNN)上的实验结果表明,使用随机投影可在同等准确率下压缩1.28倍;而使用学习投影准确率提升3.89%,但内存大小增加28.10倍。
引用
@article{arxiv.2010.07004,
title = {Binarization Methods for Motor-Imagery Brain-Computer Interface Classification},
author = {Michael Hersche and Luca Benini and Abbas Rahimi},
journal= {arXiv preprint arXiv:2010.07004},
year = {2020}
}