基于卷积神经网络的头皮地形图中独立成分伪迹自动检测
计算机视觉与模式识别
2021-04-27 v1 人工智能
摘要
脑电图（EEG）通过使用放置在头皮上的传感器实时测量大脑电活动。由眼动与眨眼、肌肉/心脏活动以及一般性电干扰引起的伪迹必须被识别并消除，才能对EEG中有用脑信号（UBS）进行正确解释。独立成分分析（ICA）能有效地将信号拆分为独立成分（ICs），其在二维头皮地形图（图像，亦称topoplots）上的重投影可识别/分离伪迹与UBS。迄今为止，作为EEG金标准的IC topoplot分析一直由人类专家目视进行，因此无法用于自动、快速响应的EEG。我们提出了一种基于二维卷积神经网络（CNNs）的、完全自动且高效的EEG伪迹识别框架，能将topoplots分为4类：3类伪迹与UBS。文中描述了框架设置并给出结果，与其他竞争性策略的结果进行了讨论与比较。在公开EEG数据集上的实验显示，在标准PC上分类32个topoplots（即驱动32传感器EEG系统）耗时1.4秒，总体准确率超过98%。尽管并非实时，所提框架效率足以用于基于EEG的快速响应脑机接口（BCI），且快于其他基于ICs的自动方法。
引用
@article{arxiv.2009.03696,
title = {Convolutional Neural Networks for Automatic Detection of Artifacts from Independent Components Represented in Scalp Topographies of EEG Signals},
author = {Giuseppe Placidi and Luigi Cinque and Matteo Polsinelli},
journal= {arXiv preprint arXiv:2009.03696},
year = {2021}
}