有理膨胀小波变换对深度学习模型运动想象EEG解码的影响研究
人机交互
2025-10-13 v1 机器学习
摘要
本研究探讨了有理离散小波变换（Rational Discrete Wavelet Transform, RDWT）作为预处理插件步骤对运动想象脑电图（EEG）解码的影响，该步骤在应用深度学习分类器之前执行。在四种最先进的深度学习架构上进行了系统配对评估（有/无RDWT）：EEGNet、ShallowConvNet、MBEEG\_SENet和EEGTCNet。该评估在三个基准数据集上进行：High Gamma、BCI-IV-2a和BCI-IV-2b。RDWT的性能以受试者平均准确率和Cohen's kappa报告，并辅以受试者层面分析以确定RDWT何时有益。在BCI-IV-2a上，RDWT为EEGTCNet（+4.44个百分点；kappa +0.059）和MBEEG\_SENet（+2.23 pp；+0.030）带来了明显的平均增益，对EEGNet（+2.08 pp；+0.027）和ShallowConvNet（+0.58 pp；+0.008）的改善较小。在BCI-IV-2b上，EEGNet（+0.21 pp；+0.044）和EEGTCNet（+0.28 pp；+0.077）的提升幅度虽小但一致。在HGD上，平均效应为适度至积极，MBEEG\_SENet观察到最大增益（+1.65 pp；+0.022），其次为EEGNet（+0.76 pp；+0.010）和EEGTCNet（+0.54 pp；+0.008）。对受试者材料的检查显示，在具有挑战性的记录（如非平稳会话）中实现了显著提升，表明RDWT可以缓解局部噪声并增强节律特异性信息。综上所述，RDWT被证明是一种低开销、架构感知的预处理技术，能够为深度模型族和具有挑战性的受试者在准确性和一致性方面带来实质性增益。
引用
@article{arxiv.2510.09242,
title = {Investigating the Impact of Rational Dilated Wavelet Transform on Motor Imagery EEG Decoding with Deep Learning Models},
author = {Marco Siino and Giuseppe Bonomo and Rosario Sorbello and Ilenia Tinnirello},
journal= {arXiv preprint arXiv:2510.09242},
year = {2025}
}