FBDNN：用于便携快速脑机接口的滤波器组与深度神经网络
信号处理
2022-04-05 v4 人工智能
机器学习
摘要
目的：提出基于深度神经网络 (DNNs) 的新型 SSVEP 分类方法，并在单通道、用户无关的脑机接口 (BCIs) 与小数据长度下提升性能。方法：我们提出将滤波器组（创建 EEG 信号的子带分量）与 DNNs 结合使用。在此背景下，我们创建了三种不同模型：分析时域的循环神经网络 (FBRNN)、处理复频谱特征的二维卷积神经网络 (FBCNN-2D)，以及分析复谱图的二维卷积神经网络 (FBCNN-3D)；我们在本研究中引入复谱图作为 SSVEP 分类的可能输入。我们在三个公开数据集上测试了我们的神经网络，并设计其无需最终用户校准，以模拟用户无关的 BCI。结果：带滤波器组的 DNNs 以显著优势超越了无此预处理步骤的同类网络，且以更大优势优于常见 SSVEP 分类方法（SVM 与 FBCCA）。结论与意义：滤波器组使不同类型深度神经网络能更高效分析 SSVEP 的谐波分量。复谱图比复频谱特征与幅度谱携带更多信息，使 FBCNN-3D 超越其他 CNNs。在具挑战性的分类问题中获得的性能表明，构建便携、经济、快速且低延迟的 BCIs 具有强大潜力。
引用
@article{arxiv.2109.02165,
title = {FBDNN: Filter Banks and Deep Neural Networks for Portable and Fast Brain-Computer Interfaces},
author = {Pedro R. A. S. Bassi and Romis Attux},
journal= {arXiv preprint arXiv:2109.02165},
year = {2022}
}
备注
We included additional tests of statistical significance