基于 P300 的智能家居交互脑机接口中的模糊时序卷积神经网络
机器学习
2022-04-12 v1 人工智能
神经与进化计算
神经元与认知
摘要
脑电图信号（EEG）的处理与分类日益采用深度学习框架（如卷积神经网络（CNNs））来完成，以从脑数据自动生成抽象特征，从而为卓越的分类能力铺平道路。然而，由于噪声的存在，EEG 模式表现出随时间的高变异性与不确定性。这是基于 P300 的脑机接口（BCI）用于智能家居交互中一个亟待解决的重要问题。该系统运行于常存在附加噪声的非理想自然环境中。在本工作中，我们提出一种将针对 EEG 信号改进的时序卷积网络（TCNs）、LSTM 单元与模糊神经块（FNB）顺序统一的模型，称之为 EEG-TCFNet。模糊分量可实现对噪声条件更高的容忍度。我们应用三种不同架构，比较使用 FNB 块分类 P300 波以构建面向健康人与卒中后个体的智能家居交互 BCI 的效果。我们的结果显示，所提出的 EEG-TCFNet 方法在受试者依赖策略与受试者独立策略下分别取得 98.6% 与 74.3% 的最大分类准确率。总体而言，在所有三种 CNN 拓扑中使用 FNB 均优于不使用 FNB 的情况。此外，我们将 FNB 的加入与其他最先进方法比较，并因与 FNB 的集成而获得更高的分类准确率。所提模型 EEG-TCFNet 的优异性能以及模糊单元对其他分类器的一般性集成，将为自然环境下增强的基于 P300 的智能家居交互 BCI 铺平道路。
引用
@article{arxiv.2204.04338,
title = {Fuzzy temporal convolutional neural networks in P300-based Brain-computer interface for smart home interaction},
author = {Christian Flores Vega and Jonathan Quevedo and Elmer Escandón and Mehrin Kiani and Weiping Ding and Javier Andreu-Perez},
journal= {arXiv preprint arXiv:2204.04338},
year = {2022}
}