基于正则化循环神经网络储备池的脑电信号听觉刺激分类
信号处理
2018-04-30 v1 机器学习
神经与进化计算
声音
摘要
由于脑电图（EEG）的非侵入性，其作为脑机接口主要输入信号已被广泛提出。我们特别关注从听觉系统提取信息的接口，更具体地说是利用EEG对听到的语音进行分类的任务。为此，我们提议限制EEG的预处理，并使用机器学习方法自动提取其有意义的特征。更具体地，我们使用正则化循环神经网络（RNN）储备池，该模型在应用于多种不同生物信号时已被证明优于经典机器学习方法，并将其与深度神经网络方法进行比较。此外，我们还研究了分类性能随EEG电极数量的变化关系。一组8名受试者被随机呈现3种不同的听觉刺激（英语元音a、i和u）。当考虑全部64个电极时，我们使用RNN获得了83.2%的优异分类率。仅使用10个电极时也达到了81.7%的准确率。
引用
@article{arxiv.1804.10322,
title = {Classification of auditory stimuli from EEG signals with a regulated recurrent neural network reservoir},
author = {Marc-Antoine Moinnereau and Thomas Brienne and Simon Brodeur and Jean Rouat and Kevin Whittingstall and Eric Plourde},
journal= {arXiv preprint arXiv:1804.10322},
year = {2018}
}