基于注意力机制的小样本关系学习用于 EEG 运动想象分类
信号处理
2021-04-27 v2 机器学习
摘要
基于脑电图（EEG）信号的脑机接口（BCI），特别是运动想象（MI）数据已受到广泛关注，并展现出在医疗健康及其他行业关键技术设计上的潜力。MI 数据在受试者想象肢体运动时产生，可用于辅助康复及自动驾驶场景。因此，MI 信号分类对基于 EEG 的 BCI 系统至关重要。近来，使用深度学习的 MI EEG 分类技术相较传统技术表现出更优性能。然而，由于受试者间变异性、未见受试者数据稀缺以及低信噪比，提取鲁棒特征并提升准确率仍具挑战。在此背景下，我们提出一种新颖的双路小样本网络，能够高效学习如何为未见受试者类别学习代表性特征，以及如何利用有限 MI EEG 数据对其进行分类。该流程包含一个从样本集学习特征表示的嵌入模块、用于关键信号特征发现的注意力机制，以及一个基于支持集与查询信号间关系分数进行最终分类的关系模块。除特征相似度与小样本分类器的统一学习外，我们的方法还能强化支持数据中与查询数据相关的信息性特征，从而对未见受试者具有更好泛化性。为评估，我们使用 BCI competition IV 2b 数据集，在 20-shot 分类任务中取得 9.3% 的准确率提升，达到最先进（state-of-the-art，SOTA）性能。实验结果证明了注意力机制的应用及我们方法的整体泛化有效性。
引用
@article{arxiv.2003.01300,
title = {Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification},
author = {Sion An and Soopil Kim and Philip Chikontwe and Sang Hyun Park},
journal= {arXiv preprint arXiv:2003.01300},
year = {2021}
}
备注
6 pages. This paper was accepted at IROS2020