稳态视觉诱发电位分类学习系列:EEGNet
- [0. 引言](#0. 引言)
- [1. 主要贡献](#1. 主要贡献)
- [2. 提出的方法](#2. 提出的方法)
- [3. 结果](#3. 结果)
-
- [3.1 Compact-CNN 优于 CCA 和 Combined-CCA](#3.1 Compact-CNN 优于 CCA 和 Combined-CCA)
- [3.2 Compact-CNN提取窄带频率活动](#3.2 Compact-CNN提取窄带频率活动)
- [3.3 Compact-CNN揭示了类之间的差异](#3.3 Compact-CNN揭示了类之间的差异)
- [4. 总结](#4. 总结)
- 欢迎来稿
论文地址：https://iopscience.iop.org/article/10.1088/1741-2552/aae5d8
论文题目：Compact convolutional neural networks for classification of asynchronous steady-state visual evoked potentials
论文代码：暂无
0. 引言
稳态视觉诱发电位 （SSVEP） 是由闪烁的视觉刺激引起的来自大脑顶叶和枕叶区域的神经振荡。SSVEP 是可在脑电图 （EEG） 中测量的稳健信号，通常用于脑机接口 （BCI）。然而，对SSVEP进行高精度解码的方法通常需要手工制作的方法，这些方法利用刺激信号的领域特定知识，例如视觉刺激中的特定时间频率及其相对空间排列。当这些知识不可用时，例如当 SSVEP 信号是异步采集时，这种方法往往会失败。在本文中，我们展示了一个紧凑的卷积神经网络（Compact-CNN），它只需要原始的EEG信号进行自动特征提取，就可以用来解码12类SSVEP数据集中的信号，而不需要用户特定的校准。主要结果。Compact-CNN展示了大约80%的受试者平均准确率，优于当前使用规范相关分析（CCA） 和组合CCA的最先进的手工制作方法。
总的来说，Compact-CNN其实跟EEGNet是类似的，甚至我还看了下本文作者就是发表EEGNet的几个人。。。 大家可以就当EEGNet来看就行。。。
1. 主要贡献
- 采用了一种
深度学习方法，该方法允许发现SSVEP信号中的潜在表示，这些信号将闪烁与语义相关联，并在相对较小的数据集上进行训练。 - 在不使用任何
用户特定校准的情况下，与CCA和Combined-CCA相比，我们的 Compact-CNN 可实现更高的分类精度。
2. 提出的方法
方法概述如下图所示：
网络架构如下表所示：
3. 结果
3.1 Compact-CNN 优于 CCA 和 Combined-CCA
为了评估深度学习方法是否改善了 SSVEP 信号的分类，将 Compact-CNN 的性能与多变量统计分析技术 CCA 及其当前最先进的变体 Combined-CCA 进行了比较。图 2 显示了 10 名参与者中每种方法的分类准确度，结果表明，与两种比较方法相比，Compact-CNN 具有强大的性能改进。事实证明，Compact-CNN 对使用基于 CCA 的方法时表现明显较差的受试者（即受试者 1、3、9 和 10）特别有益。
3.2 Compact-CNN提取窄带频率活动
图 3 显示了 Compact-CNN 模型针对一个随机选择的折叠学习的时间核子集。在这里，我们看到Compact-CNN可以识别沿频率频谱的窄带频率活动，包括慢波（内核63，约9 Hz）和快波（内核95，约14 Hz）。这些频率与SSVEP实验刺激频率的频率密切相关，表明该模型正在捕获与任务相关的振荡活动。
3.3 Compact-CNN揭示了类之间的差异
使用数据缩减和可视化技术（t-SNE）来研究Compact-CNN所有层的隐藏单元激活结构。每一层的激活是相似的，因此在图 4 中仅绘制了 Compact-CNN 第 3 层激活的 t-SNE 投影，用于折叠 1 中的所有训练观察（跨九个训练对象）。
4. 总结
到此，使用 稳态视觉诱发电位 (SSVEP) 分类学习系列 (2) :EEGNet 已经介绍完毕了！！！ 如果有什么疑问欢迎在评论区提出，对于共性问题可能会后续添加到文章介绍中。
如果觉得这篇文章对你有用，记得点赞、收藏并分享给你的小伙伴们哦😄。
欢迎来稿
欢迎投稿合作，投稿请遵循科学严谨、内容清晰明了的原则！！！！ 有意者可以后台私信！！