基于镜像对比损失的滑动窗口变换器用于面向受试者无关的电生理信号运动图识别
信号处理
2024-09-04 v1 人工智能
机器学习
摘要
尽管深度学习模型在运动图基于电生理信号的识别中得到了广泛应用，但它们往往作为黑盒子运行。鼓励我们提出一种基于镜像对比损失的滑动窗口变换器 (MCL-SWT)，以提高面向受试者无关的运动图电生理信号识别性能。具体而言，我们提出的镜像对比损失通过对比原始电生理信号与其镜像对偶——即通过交换电生理信号左右半球通道生成的镜像电生理信号——来增强对 ERD 在空间位置上的敏感性。此外，我们引入一种时间滑动窗口变换器，该变换器从高时间分辨率特征中计算自注意力得分，从而在可控的计算复杂度下提高模型性能。我们在受试者无关的运动图电生理信号识别任务上评估了 MCL-SWT 的性能，实验结果表明，MCL-SWT 在准确率上分别达到了 66.48% 和 75.62%，分别比当前最先进 (SOTA) 模型提高了 2.82% 和 2.17%。此外，ablation 实验确认了提出的镜像对比损失的有效性。MCL-SWT 的代码演示可在 https://github.com/roniusLuo/MCL_SWT 上获得。
引用
@article{arxiv.2409.00130,
title = {Mirror contrastive loss based sliding window transformer for subject-independent motor imagery based EEG signal recognition},
author = {Jing Luo and Qi Mao and Weiwei Shi and Zhenghao Shi and Xiaofan Wang and Xiaofeng Lu and Xinhong Hei},
journal= {arXiv preprint arXiv:2409.00130},
year = {2024}
}
备注
This paper has been accepted by the Fourth International Workshop on Human Brain and Artificial Intelligence, joint workshop of the 33rd International Joint Conference on Artificial Intelligence, Jeju Island, South Korea, from August 3rd to August 9th, 2024