通过通道幅度均衡化如何提升 EEG 分类模型的性能？
信号处理
2024-07-31 v1 人工智能
机器学习
摘要
脑电图（EEG）面临的主要挑战在于当前数据表示涉及多个电极信号，导致数据冗余和主导性信息。然而，现有关于 EEG 分类的广泛研究集中于设计模型架构，而未能解决底层问题。此外，针对 EEG 数据预处理缺乏显著的工作，导致深度学习（DL）过程计算开销巨大。鉴于上述问题，我们提出一种简单而有效的 EEG 数据预处理方法。该方法首先通过反向通道幅度均衡化（Inverted Channel-wise Magnitude Homogenization, ICWMH）将 EEG 数据转换为编码图像，以缓解通间偏置。随后，对 EEG 编码图像应用边缘检测技术并结合跳跃连接，以强化数据中最显著的过渡，同时保留结构和不变信息。通过这种方式，我们能够在不使用庞大深度学习网络的情况下高效地提升 EEG 学习过程。我们的实验评估显示，我们能够显著超越当前基线方法（提升 2% 至 5%）。
引用
@article{arxiv.2407.20247,
title = {How Homogenizing the Channel-wise Magnitude Can Enhance EEG Classification Model?},
author = {Huyen Ngo and Khoi Do and Duong Nguyen and Viet Dung Nguyen and Lan Dang},
journal= {arXiv preprint arXiv:2407.20247},
year = {2024}
}