用于 EEG 分类的深度神经网络中的 Signal2Image 模块
信号处理
2024-04-03 v9 计算机视觉与模式识别
图像与视频处理
摘要
深度学习利用大数据可用性的提升以及图形处理单元等并行计算单元的能力，彻底改变了计算机视觉。绝大多数深度学习研究使用图像作为训练数据，然而生物医学领域富含用于诊断和预测问题的生理信号。如何最佳地利用信号训练深度神经网络仍是一个开放的研究问题。在本文中，我们将 Signal2Image（S2Is）定义为可训练或不可训练的前缀模块，其将诸如脑电图（EEG）的信号转换为类图像表示，使其适用于训练定义为‘基模型’的基于图像的深度神经网络。我们比较了四种 S2I（‘信号作为图像’、谱图、一层和两层卷积神经网络（CNNs））与一组‘基模型’（LeNet、AlexNet、VGGnet、ResNet、DenseNet）及其深度可分离与一维变体相结合的准确率和时间性能。我们还提供经验证据，表明在十五个测试模型中，一层 CNN S2I 有十一个在分类 EEG 信号上优于不可训练的 S2I，并给出了 S2I 输出的可视化比较。
引用
@article{arxiv.1904.13216,
title = {Signal2Image Modules in Deep Neural Networks for EEG Classification},
author = {Paschalis Bizopoulos and George I Lambrou and Dimitrios Koutsouris},
journal= {arXiv preprint arXiv:1904.13216},
year = {2024}
}
备注
4 pages, 2 figures, 1 table, EMBC 2019