具有地形表征模块的卷积神经网络用于基于EEG的脑机接口
信号处理
2022-08-31 v2 人机交互
机器学习
摘要
目的：卷积神经网络(CNNs)在脑机接口(BCIs)领域已展现出巨大潜力。原始脑电图(EEG)信号通常表示为由通道与时间点组成的二维(2-D)矩阵，忽略了空间拓扑信息。我们的目标是使以原始EEG信号为输入的CNN具备学习EEG空间拓扑特征的能力，并在基本保持其原有结构的同时提升性能。方法：我们提出一种EEG地形表征模块(TRM)。该模块由(1)从原始EEG信号到三维地形图的映射块与(2)从地形图到与输入同尺寸输出的卷积块组成。根据卷积块中所用核的大小，我们设计了两类TRM，即TRM-(5,5)与TRM-(3,3)。我们将TRM嵌入3种广泛使用的CNN中，并在2个公开数据集（模拟驾驶中紧急制动数据集(EBDSDD)与高伽马数据集(HGD)）上测试。结果：结果显示，使用TRM后3种CNN在两个数据集上的分类准确率均得到提升。采用TRM-(5,5)时，DeepConvNet、EEGNet与ShallowConvNet在EBDSDD上的平均准确率分别提升6.54%、1.72%与2.07%，在HGD上分别提升6.05%、3.02%与5.14%；采用TRM-(3,3)时，它们在EBDSDD上分别提升7.76%、1.71%与2.17%，在HGD上分别提升7.61%、5.06%与6.28%。意义：我们通过使用TRM提升了3种CNN在2个数据集上的分类性能，表明其具备挖掘EEG空间拓扑信息的能力。此外，由于TRM输出与输入尺寸相同，以原始EEG信号为输入的CNN可不经改变原有结构即使用该模块。
引用
@article{arxiv.2208.10708,
title = {Convolutional Neural Networks with A Topographic Representation Module for EEG-Based Brain-Computer Interfaces},
author = {Xinbin Liang and Yaru Liu and Yang Yu and Kaixuan Liu and Yadong Liu and Zongtan Zhou},
journal= {arXiv preprint arXiv:2208.10708},
year = {2022}
}