EEG-NeXt：用于 EEG 认知活动分类的现代化卷积网络
信号处理
2022-12-12 v1 人机交互
机器学习
神经元与认知
摘要
在基于脑电图（EEG）的脑机接口（BCI）系统中，主要挑战之一是在端到端判别设置中学习受试者/会话不变特征以分类认知活动。我们提出了一种新颖的端到端机器学习流程 EEG-NeXt，它通过以下方式促进迁移学习：i) 在欧氏空间中对齐来自不同受试者的 EEG 试验，ii) 为 EEG 信号的小波尺度图定制深度学习技术，以更好地捕获低频、长时事件的频率定位，iii) 利用预训练的 ConvNeXt（一种超越最先进（SOTA）图像分类模型的现代化 ResNet 架构）作为骨干网络并通过自适应微调。在公开数据集（Physionet Sleep Cassette 和 BNCI2014001）上，我们通过跨受试者验证将我们的方法与 SOTA 进行基准比较，并展示了在认知活动分类中更高的准确率以及跨队列更好的泛化能力。
引用
@article{arxiv.2212.04951,
title = {EEG-NeXt: A Modernized ConvNet for The Classification of Cognitive Activity from EEG},
author = {Andac Demir and Iya Khalil and Bulent Kiziltan},
journal= {arXiv preprint arXiv:2212.04951},
year = {2022}
}