运动想象 (MI) 迁移学习系列 (4) : EEGNet-Fusion-V2

2024-03-11 07:44

本文主要是介绍运动想象 (MI) 迁移学习系列 (4) : EEGNet-Fusion-V2,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

运动想象迁移学习系列:EEGNet-Fusion-V2

  • 0. 引言
  • 1. 主要贡献
  • 2. 网络结构
  • 3. 实验结果
    • 3.1 不同参数的评估
    • 3.2 不同参数的评估
    • 3.3 与基准模型比较
  • 4. 总结
  • 欢迎来稿

论文地址:https://www.mdpi.com/1424-8220/23/18/7908
论文题目:Excellent fine-tuning: From specific-subject classification to cross-task classification for motor imagery
论文代码:https://github.com/radia-rayan-chowdhury/EEGNet-Fusion-V2

0. 引言

基于脑电图的脑机接口开发的一个重大障碍是与受试者无关的运动图像数据的分类,因为脑电图数据非常个性化卷积神经网络 (CNN) 等深度学习技术已经说明了它们对特征提取的影响,以提高分类准确性。在本文中,我们提出了一个多分支(五个分支)二维卷积神经网络,该网络对每个分支都使用多个超参数。所提出的模型在跨学科分类方面取得了可喜的结果,在三个公共数据集上优于EEGNetShallowConvNetDeepConvNetMMCNNEEGNet_Fusion

注意:本文并没有从迁移学习的角度解决问题,而是说模型分类效果较好,有助于更好地迁移学习的意思。本质上还是一个分类学习网络!!!!

1. 主要贡献

  1. 提出了一种使用多分支特征融合卷积神经网络模型对运动图像任务进行分类的新方法。
  2. 与最先进的模型进行了比较,包括 DeepConvNetShallowConvNetMMCNNEEGNetEEGNet Fusion

2. 网络结构

EEGNet Fusion V2 在所有五个分支的深度层和可分离层中使用了不同的内核大小卷积滤波器。融合方法通过聚合来自不同分支的不同预测来帮助减少方差并提高准确性。图 1 说明了所提出的 EEGNet Fusion V2 架构。
在这里插入图片描述
该网络由五个分支组成,每个分支都有输入层卷积滤波器深度卷积滤波器可分离卷积滤波器。此外,平均池化层遵循深度和可分离的卷积滤波器。然后,使用融合层对来自五个分支的特征进行组合,并使用输出层中的softmax激活函数进行最终分类。每个分支中使用不同的内核过滤器大小。该架构旨在通过处理 EEG 信号来实现 MI 任务的准确分类。红色框表示EEGNet Fusion模型的改进。

3. 实验结果

3.1 不同参数的评估

为了评估该模型,我们进行了五次测试,每次测试都对每个分支中的卷积层使用不同的滤波器尺寸。每个测试中采用的具体过滤器尺寸如下:

  • 测试1:(1,64),(1,128),(1,256),(1,512),(1,1024);
  • 测试2:(1,64),(1,256),(1,544),(1,512),(1,1024);
  • 测试3:(1,64),(1,304),(1,544),(1,784),(1,1024);
  • 测试4:(1,64),(1,80),(1,96),(1,112),(1,128);
  • 测试 5:(1,64),(1, 96),(1, 128),(1, 192),(1, 256)。

实验结果如下所示:
在这里插入图片描述

3.2 不同参数的评估

为了评估所提出的五分支EEGNet Fusion模型,我们实现了四分支六分支七分支EEGNet Fusion模型。这些模型与所提出的五分支模型具有相似的结构,但在分支数量以及内核和过滤器大小方面存在一些变化。实验结果如下所示:
在这里插入图片描述
观察实验结果可以得知,精度一般随着分支数量的增加而增加。具体来说,从三个分支到四个分支,从四个分支到五个分支时,准确性有了明显的提高。然而,尽管六分支和七分支模型需要每个样本的计算时间明显更高,但五分支、六分支和七分支模型的精度非常接近。基于这些发现,我们决定将五分支模型作为所提出的模型。与六分支模型和七分支模型相比,五分支模型在精度和计算时间之间提供了良好的平衡

3.3 与基准模型比较

与各个基准模型的比较结果如下所示:
在这里插入图片描述

4. 总结

到此,使用 EEGNet-Fusion-V2 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!!

这篇关于运动想象 (MI) 迁移学习系列 (4) : EEGNet-Fusion-V2的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/797134

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门(一):登录与退出》 《Spring-Security-入门(二):基于数据库验证》 《Spring-Security-入门(三):密码加密》 《Spring-Security-入门(四):自定义-Filter》 《Spring-Security-入门(五):在 Sprin

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

科研绘图系列:R语言扩展物种堆积图(Extended Stacked Barplot)

介绍 R语言的扩展物种堆积图是一种数据可视化工具,它不仅展示了物种的堆积结果,还整合了不同样本分组之间的差异性分析结果。这种图形表示方法能够直观地比较不同物种在各个分组中的显著性差异,为研究者提供了一种有效的数据解读方式。 加载R包 knitr::opts_chunk$set(warning = F, message = F)library(tidyverse)library(phyl

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学