BRAIN2DEPTH：用于从 EEG 记录分类认知状态的轻量级 CNN 模型
机器学习
2021-06-17 v1 信号处理
摘要
已有若干卷积深度学习模型被提出以利用多个神经成像域对认知状态进行分类。这些模型取得了显著结果，但它们设计繁重，具有数百万参数，增加了训练与测试时间，使模型复杂且不太适合实时分析。本文提出一种简单、轻量级的 CNN 模型，用于从脑电图（EEG）记录分类认知状态。我们开发了一个由两阶段组成的新型流水线以学习不同的认知表征。第一阶段是从特定频带中的神经时间序列信号生成二维频谱图像。生成图像以保留相邻电极间的关系以及认知事件的频谱特性。第二阶段是开发一个省时、计算负载低且高性能的模型。我们设计了一个包含 4 个块的网络，主要组件包括标准卷积和深度卷积以提升性能，随后采用可分离卷积以减少参数数量，从而维持时间与性能之间的权衡。我们在包含专家、非专家冥想及对照状态的开放访问 EEG 冥想数据集上实验。我们将性能与六种常用机器学习分类器和四种最先进深度学习模型比较。我们利用少于其他模型 4% 的参数取得了可比性能。该模型可用于神经反馈等实时计算环境。
引用
@article{arxiv.2106.06688,
title = {BRAIN2DEPTH: Lightweight CNN Model for Classification of Cognitive States from EEG Recordings},
author = {Pankaj Pandey and Krishna Prasad Miyapuram},
journal= {arXiv preprint arXiv:2106.06688},
year = {2021}
}
备注
15 pages, 4 figures, 6 tables, To be published in 25th Conference on Medical Image Understanding and Analysis (MIUA), 2021