本文主要是介绍运动想象 (MI) 分类学习系列 (9) :FBCNet,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:FBCNet
- 0. 引言
- 1. 主要贡献
- 2. 提出的方法
- 2.1 滤波器组卷积网络
- 2.2 方差层结构介绍
- 3. 实验结果
- 3.1 基线方法比较
- 3.2 方差层对结果的影响
- 3.3 脑卒中患者在相关模型中观察到更大的受试间变异性
- 4. 总结
- 欢迎来稿
论文地址:https://arxiv.org/abs/2104.01233
论文题目:FBCNet: An Efficient Multi-view Convolutional Neural Network for Brain-Computer Interface
论文代码:https://github.com/ravikiran-mane/FBCNet
0. 引言
缺乏足够的训练样本和有噪声的高维特征是基于脑电图(EEG)的脑机接口(BCI)的运动图像(MI)解码算法面临的主要挑战。为了解决这些挑战,受运动想象神经生理特征的启发,本文提出了一种新的用于运动想象分类的Filter-Bank卷积网络(FBCNet)。FBCNet采用多视图数据表示和空间滤波来提取光谱空间判别特征。这种多阶段方法可以在训练数据有限的情况下有效地训练网络。更重要的是,在FBCNet中,我们提出了一种新的方差层,可以有效地聚合脑电时域信息。
总的来说,模型是FBCSP+EEGNet+自己提出的方差层的结合可以提供一定的参考价值,在最后分析时分析健康人和卒中患者在不同频率、不同通道下的影响还是很有参考价值的,最后也验证了医学上CMC的结论:卒中患者的在进行MI时信号会更分散,而健康患者更集中一点。。。。
1. 主要贡献
- 提出了一种紧凑且受神经生理学启发的CNN架构
FBCNet
,用于MI分类。 - 提出了一种新的
方差层
,用于有效提取脑电时间信息和参数约简。 - 在大量
慢性中风患者
中,我们提出了经典机器学习算法和深度学习架构之间比较的首批报告之一
。 - 我们发表了关于
深度学习架构
在大量慢性中风患者心肌梗死解码中的有效性
的首批报告之一。 - 我们表明,对于
中风患者
,经典的机器学习方法
可能优于通用的深度学习架构,并且像在FBCNet中所做的那样,仔细融合深度学习方法和MI的神经生理学知识,可以实现健康受试者和中风患者的最佳分类精度。
2. 提出的方法
2.1 滤波器组卷积网络
FBCNet的设计目的是有效地提取MI特征的光谱空间判别信息
,同时避免小数据集存在的过拟合问题
。FBCNet架构的核心由以下四个阶段
组成:
多视图数据表示
:通过多个窄带滤波器
对原始脑电图进行频谱滤波,得到脑电数据的多视图表示。空间转换学习
:然后使用深度卷积层学习每个视图的空间判别模式。时间特征提取:
在空间变换之后,采用新的方差层
有效提取时间信息。分类
:一个完全连接(FC)层最终将方差层中的特征分类为给定的类。
2.2 方差层结构介绍
其余的层类似于FBCSP以及EEGNet网络就不再介绍了。。。
方差层主要是通过有效提取最相关的时间信息
来降低时间维特征
,来避免模型的过拟合
。具体而言,采用一段时间序列的方差
来表征一段时间序列。对于任意时变信号 g ( t ) g(t) g(t),方差层的输出为:
v = V a r ( g ( t ) ) = 1 T ∑ t = 0 T − 1 ( g ( t ) − μ ) 2 v=Var(g(t))=\frac{1}{T}\sum_{t=0}^{T-1}(g(t)-\mu)^2 v=Var(g(t))=T1t=0∑T−1(g(t)−μ)2
其中, T T T 表示时间点总数, μ \mu μ 表示 g ( t ) g(t) g(t)的均值。
其中方差层跟IFNet中的结构类似,可以去看看这篇文章:IFNet。
3. 实验结果
3.1 基线方法比较
与基线方法相比,FBCNet
取得了明显更好的分类精度
。
3.2 方差层对结果的影响
为了分析新的方差层
对FBCNet改进结果的贡献,我们研究了不同时间特征提取层
对分类精度的影响,结果如图4所示。在所有时间特征提取层中,具有方差层的FBCNet
在所有分析中获得了最高的分类准确率
。使用Average和Max层的特征提取导致所有数据集的准确性一直较差。
3.3 脑卒中患者在相关模型中观察到更大的受试间变异性
为了了解FBCNet模型在受试者间学习到的相关模式的总体趋势
,并探讨脑卒中患者的数据
是否与健康受试者
有任何不同,我们进行了一项组水平的相关性分析,结果如图6所示。
首先,检查脑卒中患者
和健康受试者
数据在所有频带
和脑电通道上
的受试者平均相关模式(图6 (a))。对于健康受试者
,12-16Hz
和8-12Hz
被观察到是两个最相关的频段
,它们占所有受试者平均总输入相关性的34%。此外,这两个频段的通道相关性最集中在大脑的左、右运动区(C3, C4)
。所有这些特征都与已知的MI签名密切相关。在脑卒中患者
中,平均相关模式更为分散
,4-24Hz范围内所有频带的输入相关性相似
。此外,这些频带中的信道相关模式也更加分散,许多信道的总相关性得分相似。然而,C4、CP4和P4通道在8-12Hz范围内,C3、C4和CP4通道在12-16Hz范围内,F7和F8通道在4-8Hz范围内,观察到的相关性略高于其他通道。
接下来,对每个健康受试者和中风受试者的信道-频带相关模式进行视觉检查。在这里,对于大多数健康受试者来说,8-12赫兹频段被观察到高度相关,而最相关的频率范围在中风患者之间存在很大差异。为了简明地显示这种差异,绘制了健康受试者和中风受试者的滤波器频带相关性热图
,如图6 (b)所示。从热图和归一化直方图中,观察到12-16Hz是一半健康受试者中相关性最高的频带
。相反,对于脑卒中患者
,没有单一的高相关频带可以确定
,最相关的频带是高度特定于受试者的。此外,对于每个中风患者,输入相关性分布在多个频带上,第一和第二最相关频带的相关性差异很低。这一差异与健康受试者的数据有显著性差异(独立样本t检验,p < 0.05)。
4. 总结
到此,使用 运动想象 (MI) 分类学习系列 (9) :FBCNet 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 (9) :FBCNet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!