基于Gumbel-softmax的端到端可学习EEG通道选择用于深度神经网络
信号处理
2021-06-08 v3 机器学习
摘要
许多脑电图（EEG）应用依赖于通道选择方法来移除信息量最少的通道，例如减少需佩戴的电极数量、降低计算负载，或减轻过拟合效应并提升性能。基于封装式的通道选择方法旨在使通道选择步骤与目标模型相匹配，但这需要在不同的候选通道子集上多次重新训练模型，往往导致难以接受的高计算成本，尤其当所述模型为（深度）神经网络时。为缓解此问题，我们提出一种框架，将EEG通道选择嵌入神经网络本身，通过传统反向传播算法以端到端方式联合学习网络权重与最优通道。我们采用基于Gumbel-softmax技巧的离散通道选择参数的连续松弛来处理这一新优化问题的离散性质。我们还提出一种正则化方法，以抑制对同一通道的重复选择。该通用方法在两个不同的EEG任务上进行了评估：运动想象脑机接口与听觉注意解码。结果表明，我们的框架具有普遍适用性，同时可与针对这些任务定制的先进EEG通道选择方法相媲美。
引用
@article{arxiv.2102.09050,
title = {End-to-end learnable EEG channel selection for deep neural networks with Gumbel-softmax},
author = {Thomas Strypsteen and Alexander Bertrand},
journal= {arXiv preprint arXiv:2102.09050},
year = {2021}
}
备注
Updated revisions