基于 EEG 的运动想象分类特征重加权方法
机器学习
2025-07-03 v2 人机交互
信号处理
摘要
利用无创脑电（EEG）信号进行运动想象（MI）分类是关键目标，因其用于预测受试者肢体运动意图。近期研究中，基于卷积神经网络（CNN）的方法被广泛用于 MI-EEG 分类。训练神经网络进行 MI-EEG 信号分类的挑战包括低信噪比、非平稳性、非线性及 EEG 信号的高复杂性。基于 CNN 的网络在强噪声 MI-EEG 信号上计算的特征含无关信息，进而由其得到的特征图亦含无关信息。因此许多无贡献特征常误导神经网络训练并降低分类性能。为此提出一种新颖特征重加权方法。该方法给出名为特征重加权模块的降噪机制，抑制无关的时域与通道特征图。所提方法的特征重加权模块生成分数对特征图重加权，以减轻无关信息影响。实验结果表明，在 Physionet EEG-MMIDB 与 BCI Competition IV 2a 数据集上，相较 SOTA 方法，所提方法将 MI-EEG 信号分类分别显著提升 9.34% 与 3.82%。
引用
@article{arxiv.2308.02515,
title = {Feature Reweighting for EEG-based Motor Imagery Classification},
author = {Taveena Lotey and Prateek Keserwani and Debi Prosad Dogra and Partha Pratim Roy},
journal= {arXiv preprint arXiv:2308.02515},
year = {2025}
}