基于端到端角色分配卷积神经网络的高维运动想象任务分类
信号处理
2020-02-05 v2 机器学习
摘要
脑机接口（BCI）提供了用户与外部设备之间的直接通信通路。脑电图（EEG）运动想象（MI）范式被广泛用于非侵入式 BCI 以获取包含用户运动执行意图的编码信号。然而，EEG 具有复杂且非平稳的特性，导致解码性能不足。通过想象单臂的多种运动，可在无需人工指令匹配的情况下改善解码性能。在本研究中，我们收集了来自 9 名受试者的包含单臂九种不同类型运动的直观 EEG 数据。我们提出了一种端到端角色分配卷积神经网络（ERA-CNN），其通过采用分层 CNN 架构原理来考虑每个上肢区域的判别特征。所提出的模型在 3 类、5 类以及两种不同类型的 7 类分类任务上优于先前的方法。因此，我们展示了仅使用 EEG 信号并利用 ERA-CNN 以鲁棒性能解码用户意图的可能性。
引用
@article{arxiv.2002.00210,
title = {Classification of High-Dimensional Motor Imagery Tasks based on An End-to-end role assigned convolutional neural network},
author = {Byeong-Hoo Lee and Ji-Hoon Jeong and Kyung-Hwan Shim and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2002.00210},
year = {2020}
}
备注
Pre-review version, accepted at ICASSP 2020