EEG_GLT-Net：优化用于实时运动想象信号分类的EEG图
机器学习
2024-04-18 v1 人工智能
信号处理
摘要
脑机接口将大脑连接到外部控制设备， necessitating 将脑信号如脑电图（EEG）准确转化为可执行命令。图神经网络（GCN）已被广泛应用于分类EEG运动想象信号，主要因为它们融合了EEG电极之间的空间关系，相较于传统卷积方法在准确率上取得显著提升。近期研究表明，基于GCN的网络在实时EEG MI信号分类中采用皮尔逊系数相关（PCC）构建邻接矩阵，取得了显著成果。我们的论文引入了一种创新技术——EEG图摇 Lottery Ticket（EEG_GLT）算法，用于构建EEG电极的邻接矩阵。该方法无需依赖电极之间既有关系的先验知识，可针对个体受试者及GCN模型架构进行定制化。我们的发现表明，PCC方法在平均准确率上以9.65%优势超过测地线方法，而我们的EEG_GLT矩阵在平均准确率上持续超过PCC方法13.39%。此外，我们发现邻接矩阵的构建对准确率的影响大于GCN模型配置。一种基础GCN配置若采用我们的EEG_GLT矩阵，其性能甚至优于最复杂的GCN配置（使用PCC矩阵）。我们的EEG_GLT方法还将与PCC方法相比将MACs降低最高可达97%，同时保持或提升准确率。综上所述，EEG_GLT算法标志着构建最优邻接矩阵突破性成果，有效提升了计算准确率和效率，使其适用于需要大量计算资源的EEG MI信号实时分类。
引用
@article{arxiv.2404.11075,
title = {EEG_GLT-Net: Optimising EEG Graphs for Real-time Motor Imagery Signals Classification},
author = {Htoo Wai Aung and Jiao Jiao Li and Yang An and Steven W. Su},
journal= {arXiv preprint arXiv:2404.11075},
year = {2024}
}