EEG-TCNet：一种用于嵌入式运动想象脑机接口的高精度时间卷积网络
信号处理
2020-06-03 v1 人机交互
机器学习
机器学习
摘要
近年来，深度学习（DL）显著推动了基于脑电图（EEG）的运动想象脑机接口（MI-BMI）的发展。在获得高分类准确率的同时，DL模型规模也不断增大，需要大量内存和计算资源。这对通过在本地处理数据以保证用户隐私、降低延迟和低功耗的嵌入式BMI方案构成了重大挑战。本文提出EEG-TCNet，一种新颖的时间卷积网络（TCN），在所需可训练参数极少的情况下实现了卓越的准确率。其低内存占用和低推理计算复杂度使其适用于边缘资源受限设备上的嵌入式分类。在BCI Competition IV-2a数据集上的实验结果表明，EEG-TCNet在4类MI中达到77.35%的分类准确率。通过为每个受试者寻找最优网络超参数，我们进一步将准确率提升至83.84%。最后，我们在包含所有12个不同MI实验EEG数据集的大规模测试基准Mother of All BCI Benchmarks（MOABB）上展示了EEG-TCNet的通用性。结果表明，EEG-TCNet成功泛化至单一数据集之外，在MOABB上以0.25的元效应优于当前最优（SoA）方法。
引用
@article{arxiv.2006.00622,
title = {EEG-TCNet: An Accurate Temporal Convolutional Network for Embedded Motor-Imagery Brain-Machine Interfaces},
author = {Thorir Mar Ingolfsson and Michael Hersche and Xiaying Wang and Nobuaki Kobayashi and Lukas Cavigelli and Luca Benini},
journal= {arXiv preprint arXiv:2006.00622},
year = {2020}
}
备注
8 pages, 6 figures, 5 tables