EEG-Inception：一种准确且鲁棒的基于 EEG 的运动想象端到端分类神经网络
信号处理
2021-03-09 v3 人机交互
机器学习
图像与视频处理
摘要
基于 EEG 的运动想象（MI）分类是脑机接口（BCI）研究中一项关键的非侵入式应用。本文提出一种新颖的卷积神经网络（CNN）架构，用于准确且鲁棒的基于 EEG 的 MI 分类，其性能优于现有最优方法。所提出的 CNN 模型称为 EEG-Inception，构建于 Inception-Time 网络的骨干之上，该网络已被证明对时间序列分类具有极高的效率与准确性。此外，所提网络为端到端分类，以原始 EEG 信号作为输入，无需复杂的 EEG 信号预处理。进而，本文提出一种新颖的 EEG 信号数据增强方法，在有限的 BCI 数据集上可将准确率提升至少 3% 并减轻过拟合。所提模型在 2008 BCI Competition IV 2a（四类）与 2b 数据集（二类）上分别取得了 88.4% 与 88.6% 的平均准确率，优于所有现有最优方法。此外，其测试一个样本耗时不足 0.025 秒，适用于实时处理。而且，九名不同被试的分类标准差在 2b 数据集上取得最低的 5.5，在 2a 数据集上为 7.1，验证了所提方法具有高度鲁棒性。由实验结果可推断，EEG-Inception 网络作为基于 EEG 的 MI 任务的被试无关分类器展现出强大潜力。
引用
@article{arxiv.2101.10932,
title = {EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification},
author = {Ce Zhang and Young-Keun Kim and Azim Eskandarian},
journal= {arXiv preprint arXiv:2101.10932},
year = {2021}
}
备注
Provisionally Accepted by Journal of Neural Engineering