EEG-Transformer：利用Transformer架构的自注意力解码想象语音脑电
人机交互
2021-12-20 v1 声音
音频与语音处理
摘要
Transformer是改变深度学习进程的突破性架构，许多高性能模型正基于Transformer架构发展。Transformer仅使用遵循seq2seq的编码器-解码器结构中的注意力机制而不使用RNN，但性能优于RNN。在此，我们研究了在想象语音和清晰语音期间，由Transformer架构的自注意力模块组成的脑电图（EEG）解码技术。我们使用基于EEGNet的卷积神经网络对九名受试者进行分类，该网络从想象语音和清晰语音的EEG中捕获时-频-空特征。此外，我们将自注意力模块应用于EEG解码，以提高性能并减少参数数量。我们的结果证明了使用注意力模块解码想象语音和清晰语音脑活动的可能性。同时，仅使用单通道EEG或耳部EEG即可为实用BCI解码想象语音。
引用
@article{arxiv.2112.09239,
title = {EEG-Transformer: Self-attention from Transformer Architecture for Decoding EEG of Imagined Speech},
author = {Young-Eun Lee and Seo-Hyun Lee},
journal= {arXiv preprint arXiv:2112.09239},
year = {2021}
}
备注
submitted to IEEE BCI Winter Conference