基于多任务自编码器的P300脑电分类通用联合特征提取
信号处理
2019-05-30 v2
摘要
脑电(EEG)信号记录过程繁琐，且需要大量存储以适用频率率存储信号。本文提出事件相关电位编码器网络(ERPENet)；一种基于多任务自编码器的模型，可应用于任何ERP相关任务。ERPENet的优势在于能够处理各类ERP数据集并在多种记录设置下具有鲁棒性，从而实现跨数据集联合训练。ERPENet在自编码器架构中结合卷积神经网络(CNNs)与长短期记忆(LSTM)，试图同时将输入EEG信号压缩并将相关P300特征提取至潜向量中。此处，我们将生成潜向量的过程推断为通用联合特征提取。该网络还包含一个作为辅助任务的受注意与未注意事件分类部分。我们在六个不同P300数据集上实验。结果表明，该潜向量比先前最先进的半监督自编码器模型具有更好的压缩能力。对于受注意与未注意事件分类，采用预训练权重作为初始权重并在未见P300数据集上测试以评估模型适应性，与随机Xavier权重初始化相比缩短了训练过程。在6.84压缩率下，分类准确率优于常规P300分类模型：XdawnLDA、DeepConvNet和EEGNet，依数据集不同达到79.37% - 88.52%分类准确率。
引用
@article{arxiv.1808.06541,
title = {Universal Joint Feature Extraction for P300 EEG Classification using Multi-task Autoencoder},
author = {Apiwat Ditthapron and Nannapas Banluesombatkul and Sombat Ketrat and Ekapol Chuangsuwanich and Theerawit Wilaiprasitporn},
journal= {arXiv preprint arXiv:1808.06541},
year = {2019}
}