使用大型多被试 P300 数据集评估卷积神经网络
信号处理
2020-01-14 v1 图像与视频处理
摘要
深度神经网络（DNN）已在多个机器学习领域得到研究。例如，事件相关电位（ERP）信号分类是一项高度复杂的任务，可能适合 DNN，因为其信噪比低，且潜在的空间与时间模式表现出很大的被试内与被试间变异性。利用公开可用的学龄儿童大型多被试 P300 数据集（138 名男性与 112 名女性），将卷积神经网络（CNN）与基线传统模型即线性判别分析（LDA）和支持向量机（SVM）在单次试次分类上进行比较。对于单次试次分类，所有被测分类模型的分类准确率介于 62% 与 64% 之间。当将训练好的分类模型应用于平均试次时，准确率提升至 76–79%，且各分类模型间无显著差异。CNN 在该测试数据集上并未证明优于基线。文中讨论了与相关文献的比较、局限性及未来方向。
引用
@article{arxiv.2001.04225,
title = {Evaluation of convolutional neural networks using a large multi-subject P300 dataset},
author = {Lukas Vareka},
journal= {arXiv preprint arXiv:2001.04225},
year = {2020}
}