基于可解释 CNN-LSTM 模型的单通道 EEG 跨被试困倦识别
神经与进化计算
2021-12-22 v1 机器学习
信号处理
摘要
对于基于 EEG 的困倦识别，由于对每个被试进行校准耗时，跨被试识别是可取的。本文提出一种新颖的卷积神经网络（CNN）-长短期记忆（LSTM）模型，用于从单通道 EEG 信号中进行跨被试困倦识别。不同于现有大多被视为黑盒分类器的深度学习模型，所提模型可通过揭示样本中哪些部分包含模型为分类所识别的重要特征，来解释其对每个输入样本的决策。这通过利用 LSTM 层输出的隐藏状态的视觉化技术实现。结果显示，在公开数据集上针对 11 名被试的留一法跨被试困倦识别中，模型平均准确率达 72.97%，高于 55.42%-69.27% 的传统基线方法以及最先进的深度学习方法。可视化结果显示，模型发现了跨不同被试与不同心理状态相关的有意义 EEG 信号模式。
引用
@article{arxiv.2112.10894,
title = {Subject-Independent Drowsiness Recognition from Single-Channel EEG with an Interpretable CNN-LSTM model},
author = {Jian Cui and Zirui Lan and Tianhu Zheng and Yisi Liu and Olga Sourina and Lipo Wang and Wolfgang Müller-Wittig},
journal= {arXiv preprint arXiv:2112.10894},
year = {2021}
}