KAM——一种用于 EEG 数据情绪分类的核注意力模块
计算机视觉与模式识别
2024-08-12 v2
摘要
本文提出了一种核注意力模块，用于基于 EEG 的神经网络情绪分类任务。所提模块通过执行核技巧利用自注意力机制，比标准注意力模块所需可训练参数和计算量显著更少。该设计还提供一个标量用于定量检查深度特征精炼过程中分配的注意力大小，从而有助于更好地解释训练后的模型。使用 EEGNet 作为骨干模型，在 SEED 数据集上进行了大量实验，以评估该模块在受试者内分类任务上相对于其他 SOTA 注意力模块的性能。插入的模块仅增加一个额外参数，在 15 名受试者中使基础模型的平均预测准确率提升超过 1%。该方法的一个关键组成部分是解的可解释性，通过若干不同技术予以解决，并作为依赖性分析的一部分贯穿始终。
引用
@article{arxiv.2208.08161,
title = {KAM -- a Kernel Attention Module for Emotion Classification with EEG Data},
author = {Dongyang Kuang and Craig Michoski},
journal= {arXiv preprint arXiv:2208.08161},
year = {2024}
}
备注
This preprint has not undergone peer review. The updated version is accepted by MICCAI2022 workshop: iMIMIC - Interpretability of Machine Intelligence in Medical Image Computing