Transformer 网络用于原始脑电图数据分类的有效性
信号处理
2023-09-22 v1 人工智能
机器学习
摘要
随着 Transformer 网络在自然语言处理（NLP）领域取得空前成功，近期它们已成功应用于计算机视觉、生成对抗网络（GAN）和强化学习等领域。脑电图（EEG）数据分类一直具有挑战性，研究人员过度依赖预处理和手工特征提取。尽管深度学习已在其他多个领域实现了自动特征提取，但在 EEG 方面尚未实现。本文探讨了 Transformer 网络用于原始 EEG 数据（经清理和预处理）分类的有效性。在一个本地数据集（年龄和性别数据）和一个公开数据集（STEW）上评估了 Transformer 网络的性能。首先，构建了一个使用 Transformer 网络的分类器，以原始静息态 EEG 数据对人的年龄和性别进行分类。其次，利用开放获取的原始多任务心理负荷 EEG 数据（STEW）对该分类器进行心理负荷分类调优。该网络在本地数据集（年龄与性别数据集；性别 94.53%，年龄 87.79%）和公开数据集（STEW 数据集；两个工作负荷水平 95.28%，三个工作负荷水平 88.72%）上均达到了与最先进水平相当的准确率。这些准确率值是使用原始 EEG 数据在未进行特征提取的情况下实现的。结果表明，基于 Transformer 的深度学习模型可以成功消除对 EEG 数据进行繁重特征提取以实现成功分类的需求。
引用
@article{arxiv.2202.05170,
title = {Efficacy of Transformer Networks for Classification of Raw EEG Data},
author = {Gourav Siddhad and Anmol Gupta and Debi Prosad Dogra and Partha Pratim Roy},
journal= {arXiv preprint arXiv:2202.05170},
year = {2023}
}