基于 SSVEP 的干式 EEG 信号经卷积神经网络分类研究
人机交互
2019-01-23 v2 信号处理
神经元与认知
摘要
本文提出一种新颖的卷积神经网络（CNN）方法，用于对原始干式 EEG 信号进行分类，且无需任何数据预处理。为说明我们方法的有效性，我们以稳态视觉诱发电位（SSVEP）范式作为用例。SSVEP 可用于通过 BCI 应用辅助患有严重身体障碍（如完全闭锁综合征或肌萎缩侧索硬化症）的人群，因为它仅要求受试者注视感兴趣的感官刺激。此处我们利用 10 至 30 Hz 的 SSVEP 闪烁频率，并通过干式 EEG 头戴设备将其记录为受试者皮层波形。我们提出的端到端 CNN 使我们能够直接从干式 EEG 波形自动且准确地分类 SSVEP 刺激。我们的 CNN 架构利用一个通用的 SSVEP 卷积单元（SCU），由一维卷积层、批量归一化和最大池化组成。此外，除了传统的机器学习分类方法外，我们还将几种深度学习神经网络变体与我们的主 CNN 架构进行了比较。实验评估表明，我们的 CNN 架构显著优于竞争方法，达到了 96% 的分类准确率，同时展现出优越的跨受试者性能，甚至能够很好地泛化到训练过程中完全缺失其数据的未见受试者。
引用
@article{arxiv.1805.04157,
title = {On the Classification of SSVEP-Based Dry-EEG Signals via Convolutional Neural Networks},
author = {Nik Khadijah Nik Aznan and Stephen Bonner and Jason D. Connolly and Noura Al Moubayed and Toby P. Breckon},
journal= {arXiv preprint arXiv:1805.04157},
year = {2019}
}
备注
Accepted as a full paper at the 2018 IEEE International Conference on Systems, Man, and Cybernetics (SMC2018)