运动想象 (MI) 分类学习系列 (2) : EEG-FMCNN

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

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。
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。
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。
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。
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。