CSP-Net：基于共空间模式的神经网络用于脑电运动想象分类
信号处理
2024-11-20 v1 人工智能
人机交互
机器学习
摘要
基于脑电图(EEG)的运动想象(MI)分类是非侵入式脑机接口的重要范式。共空间模式(CSP)利用执行不同 MI 任务时头皮上不同的能量分布，在 MI 分类中非常流行。卷积神经网络(CNN)由于其强大的学习能力也取得了巨大成功。本文提出了两种 CSP 赋能的神经网络(CSP-Nets)，将知识驱动的 CSP 滤波器与数据驱动的 CNN 相结合，以增强 MI 分类的性能。CSP-Net-1 直接在 CNN 之前添加 CSP 层以提高输入的可区分性。CSP-Net-2 用 CSP 层替换 CNN 中的卷积层。两个 CSP-Net 中的 CSP 层参数均使用由训练数据设计的 CSP 滤波器进行初始化。在训练期间，它们可以保持固定，也可以使用梯度下降进行优化。在四个公开 MI 数据集上的实验表明，这两种 CSP-Net 在受试者内和跨受试者分类中均持续优于其 CNN 主干网络。当训练样本数量非常少时，它们尤为有用。我们的工作展示了在基于 EEG 的脑机接口中将知识驱动的传统机器学习与数据驱动的深度学习相结合的优势。
引用
@article{arxiv.2411.11879,
title = {CSP-Net: Common Spatial Pattern Empowered Neural Networks for EEG-Based Motor Imagery Classification},
author = {Xue Jiang and Lubin Meng and Xinru Chen and Yifan Xu and Dongrui Wu},
journal= {arXiv preprint arXiv:2411.11879},
year = {2024}
}