基于黎曼流形与欧氏空间的时空 EEG 表征学习
计算机视觉与模式识别
2023-11-28 v3 机器学习
摘要
我们提出了一种用于学习脑电图（EEG）的新型深度神经架构。为学习空间信息，我们的模型首先在黎曼流形上从空间协方差矩阵（SCMs）获取黎曼均值与距离。随后我们通过切空间学习将空间信息投影到欧氏空间。接着，使用两个全连接层来学习空间信息嵌入。此外，我们提出的方法在欧氏空间中利用从 EEG 信号提取的差分熵和对数功率谱密度特征，通过带有软注意力机制的深度长短期记忆网络学习时间信息。为结合空间与时间信息，我们采用一种有效的融合策略，该策略学习应用于特定嵌入特征的注意力权重以进行决策。我们在跨越三个流行 EEG 相关任务（显著包括情绪识别、警觉度估计和运动想象分类）的四个公开数据集上评估了所提框架，其中包含二元分类、多类分类和回归等多种任务类型。我们提出的架构在 SEED-VIG 上优于其他方法，并在其他三个数据集（SEED、BCI-IV 2A 和 BCI-IV 2B）上接近最先进水平（SOTA），显示了我们的框架在 EEG 表征学习中的鲁棒性。本文源代码公开于 https://github.com/guangyizhangbci/EEG_Riemannian。
引用
@article{arxiv.2008.08633,
title = {Spatio-Temporal EEG Representation Learning on Riemannian Manifold and Euclidean Space},
author = {Guangyi Zhang and Ali Etemad},
journal= {arXiv preprint arXiv:2008.08633},
year = {2023}
}
备注
Accepted in IEEE Transactions on Emerging Topics in Computational Intelligence. 15 pages, 6 figures