运动想象 (MI) 分类学习系列 (2) : EEG-FMCNN

2024-03-22 09:52

本文主要是介绍运动想象 (MI) 分类学习系列 (2) : EEG-FMCNN,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!

运动想象分类学习系列:EEG-FMCNN

  • 0. 引言
  • 1. 主要贡献
  • 2. 提出的网络结构
    • 2.1 SE模块
    • 2.2 多分支一维卷积神经网络
  • 3. 实验结果
    • 3.1 消融实验结果
    • 3.2 与基线模型比较
  • 4. 总结
  • 欢迎来稿

论文地址:https://link.springer.com/article/10.1007/s11517-023-02931-x
论文题目:EEG-FMCNN: A fusion multi-branch 1D convolutional neural network for EEG-based motor imagery classification
论文代码:无

0. 引言

MI-EEG信号的高性能解码能力是影响行业发展的关键问题。然而,由于低信噪比和受试者间的变异性,解码 MI-EEG 信号具有挑战性。针对上述核心问题,本文提出了一种新的端到端网络,即融合多分支一维卷积神经网络(EEG-FMCNN),无需预处理即可解码MI-EEG信号。多分支一维卷积的利用不仅表现出一定程度的噪声容差,而且在一定程度上解决了受试者间变异性的问题。这归因于多分支架构能够从不同频段捕获信息,从而能够建立最佳的卷积尺度和深度。此外,我们在适当的位置加入了一维挤压和激励 (SE) 模块和快捷连接,以进一步增强网络的泛化性和鲁棒性。

总得来说:提出的网络结构与多分支不同的卷积核结构相比具有细微不同,但是是否有效还需要更多实验来进行验证。。。。

1. 主要贡献

  1. 提出了一种高性能的EEG-FMCNN模型,该模型包含SE模块、二维卷积特征提取模块、融合多分支1D-CNN和残差结构。
  2. 融合的多分支1D-CNN结构可以捕获来自不同频段和时间段的特征信息,在一定程度上解决了受试者间的变异性。此外,它还表现出很强的抗噪性。
  3. 在这项研究中,SE模块被用来对来自不同渠道的信息进行加权。一方面可以增强来自关键通道的特征信息,另一方面提供一定程度的噪声抑制
  4. 本研究采用残差结构来缓解深度CNN中的过拟合问题,同时增强网络的泛化能力。
  5. 该模型在BCI Competition IV-2a(BCI-2a)数据集中取得了优异的成绩。

2. 提出的网络结构

提出的网络结构如图所示:
在这里插入图片描述

2.1 SE模块

SE模块的主要作用是通过给通道增加注意力来选取更关键特征,其整体结构其实就是图1中的左边部分:
在这里插入图片描述

2.2 多分支一维卷积神经网络

这个多分支结构其实就是文章的关键部分。在传统多分支结构中一搬选择不同的卷积核来提取维度特征,从而提高精度。而本文里面选用了拼接的方式。
在这里插入图片描述

3. 实验结果

3.1 消融实验结果

在这里插入图片描述
可以看到,使用平均池化层和最大池化层对性能有显著影响,两者之间相差 2.2 点。残差结构也在一定程度上优化了网络的整体性能,使网络提升了1.3个百分点。SE 模块还将网络精度提高了 0.5 个百分点。结果表明,文中每个区块的增加在一定程度上对网络的精度有贡献,并且多个结构之间没有相互影响。此外,当同时去除SE块和残差块并使用maxpooling层时,精度仅达到71.64,比完整结构低7.22点。因此,在选择池化层跟随卷积层时,应进行充分的实验比较。值得注意的是,这些结构模块对参数的影响很小或没有影响,并且在不增加计算复杂度的情况下在一定程度上提高了网络的精度。

3.2 与基线模型比较

我们总结了 EEG-FMCNN 和其他几个竞争网络在 BCI 竞争 IV-2a 数据集上的分类准确性和 k 分数。
在这里插入图片描述

4. 总结

到此,使用 EEG-FMCNN 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) 分类学习系列 (2) : EEG-FMCNN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/835070

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

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

【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;

认识、理解、分类——acm之搜索

普通搜索方法有两种:1、广度优先搜索;2、深度优先搜索; 更多搜索方法: 3、双向广度优先搜索; 4、启发式搜索(包括A*算法等); 搜索通常会用到的知识点:状态压缩(位压缩,利用hash思想压缩)。

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