EEGNet 系列神经网络的深度比较
信号处理
2023-06-21 v1 人工智能
摘要
大多数提出用于运动想象（MI）脑电图（EEG）信号分类的人工神经网络的脑机接口（BCI）论文，都是使用 BCI Competition 数据集之一来展示的。然而，这些数据库包含的 MI EEG 数据来自不超过 10 名受试者。此外，这些算法通常仅包含带通滤波以减少噪声并提高信号质量。在本文中，我们使用开放获取数据库（包含大量受试者）以及 BCI Competition 4 2a 数据集，比较了 5 种知名神经网络（Shallow ConvNet、Deep ConvNet、EEGNet、EEGNet Fusion、MI-EEGNet），以获得具有统计显著性的结果。我们采用 FASTER 算法作为信号处理步骤从 EEG 中去除伪迹。此外，我们研究了迁移学习是否能在伪迹滤波数据上进一步提升分类结果。我们的目标是对这些神经网络进行排序；因此，除分类准确率外，我们引入了两个额外指标：相对于随机水平的准确率提升，以及迁移学习的效果。前者可用于不同类别数的数据库，而后者可突出具有充分泛化能力的神经网络。我们的指标表明，研究者不应回避 Shallow ConvNet 和 Deep ConvNet，因为它们可能比后来发表的 EEGNet 系列网络表现更好。
引用
@article{arxiv.2302.08797,
title = {Deep comparisons of Neural Networks from the EEGNet family},
author = {Csaba Márton Köllőd and András Adolf and Gergely Márton and István Ulbert},
journal= {arXiv preprint arXiv:2302.08797},
year = {2023}
}