稳态视觉诱发电位 (SSVEP) 分类学习系列 (2) :EEGNet

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

  1. 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。
  2. 在不使用任何用户特定校准的情况下,与 CCACombined-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)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!!

相关推荐
一尘之中1 小时前
使用 PyTorch TunableOp 加速 ROCm 上的模型
人工智能·pytorch·学习
honey ball1 小时前
LLC与反激电路设计【学习笔记】
单片机·嵌入式硬件·学习
Eric.Lee20212 小时前
数据集-目标检测系列- 牵牛花 检测数据集 morning_glory >> DataBall
人工智能·python·yolo·目标检测·计算机视觉·牵牛花检测
搏博2 小时前
卷积神经网络(CNN)中的全连接层(Fully Connected Layer)
人工智能·神经网络·cnn
如生命般费解的谜团4 小时前
LLM学习笔记(7)Scaled Dot-product Attention
人工智能·笔记·学习·语言模型·json
Mephisto.java6 小时前
【大数据学习 | Spark-Core】详解Spark的Shuffle阶段
大数据·学习·spark
FreeIPCC6 小时前
电话机器人是什么?
大数据·人工智能·语言模型·机器人·开源·信息与通信
南宫生6 小时前
力扣-位运算-3【算法学习day.43】
学习·算法·leetcode
xnuscd6 小时前
Milvus概念
数据库·学习·mysql
字节数据平台6 小时前
火山引擎数据飞轮探索零售企业大促新场景:下放营销活动权限
大数据·人工智能