基于端到端深度学习方法从人类脑电图中解码视觉相关信息
摘要
随着脑电信号分析在精度上仍有提升空间，利用深度学习方法进行脑电图（EEG）分析的兴趣日益增长。卷积长短期记忆网络（CNNLSTM）已通过端到端学习成功应用于具有空间结构的时间序列数据。在此，我们提出一种基于CNNLSTM的神经网络架构，称为EEG_CNNLSTMNet，用于对不同空间频率光栅刺激响应的EEG信号进行分类。EEG_CNNLSTMNet由两个卷积层和一个双向长短期记忆（LSTM）层组成。卷积层捕获各通道上EEG信号的局部时间特征以及跨通道的全局空间特征，而LSTM层提取EEG信号的长期时间依赖。我们的实验表明，EEG_CNNLSTMNet在EEG分类上的表现远优于传统机器学习方法，即带特征的支撑向量机（SVM）。此外，在受试者内情形下，EEG_CNNLSTMNet优于当前最优的神经网络架构EEGNet。我们推断，在受试者间情形下使用LSTM层表现不佳，是由于EEG信号中的长期依赖特征在受试者间差异很大。而且，使用新受试者极少数据微调的受试者间分类模型，比仅在其他受试者数据上训练的模型准确率更高。我们的研究表明，考虑到新受试者的准确率和所需训练数据，微调的受试者间模型可作为一种潜在的端到端EEG分析方法。
引用
@article{arxiv.1911.00550,
title = {Decoding of visual-related information from the human EEG using an end-to-end deep learning approach},
author = {Lingling Yang and Leanne Lai Hang Chan and Yao Lu},
journal= {arXiv preprint arXiv:1911.00550},
year = {2019}
}
备注
\c{opyright} 20XX IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works