EEGNet:用于基于EEG的脑机接口的紧凑型卷积神经网络
1. 论文地址:
https://iopscience.iop.org/article/10.1088/1741-2552/aace8c/meta
发表时间:2015年
被引用量:225
输入数据:原始数据
源码地址:https://github.com/vlawhern/arl-eegmodels
2. 核心思想:
使用深度分离卷积(MobileNet 中提出的卷积方法)封装了几种众所周知的 EEG 特征提取概念,例如最佳空间滤波和滤波器组构造,同时减少了训练的参数数量;
并且作者通过使用特征可视化和模型消融分析,表明可以从 EEGNet 模型中提取神经生理学可解释的特征,验证了 EEGNet 的体系结构能够从经过充分研究的 BCI 范例中提取神经生理学上可解释的信号的能力,以表明网络性能不受数据中噪声或伪像信号的驱动;
3. 数据描述:
使用了 P300,ERN,MRCP 和 SMR 四个不同的数据集:
4. EEGNet 的网络结构:
作者称之为紧凑的 CNN 网络结构(注意上图参数是按照 Channel First 的结构写出来的);
其中输入数据采样频率为 128Hz,大小为 ,其中 表示通道数, 是采样窗口的长度(时长);
Block1:
- 使用大小为 1×64 的 个卷积核进行卷积,得到大小为 的不同的带通频率的特征层,其中第一个 64 是采样频率 128Hz 的一半,且这里 ;(线性激活)
- 连接一个 BatchNorm 层;
- 使用 组共 个大小为 的深度分离卷积(Depthwise Convolution)进行通道卷积,将 个通道的数据融合,每个带通频率的特征层得到 个时序特征向量,图中 ;(线性激活)
- 连接一个 BatchNorm 层,并使用 ELU 函数激活;
- 使用大小为 的平均池化层降采样到 32 Hz;
- 最后连接一个 Dropout 层,小样本使用 ,大样本使用 ;
注意醉作者还使用了最大规范约束: ;
输出大小为 ;
Block2:
- 使用 组共 个大小为 的深度分离卷积(Depthwise Convolution)进行时序卷积(表示 32Hz 下时长 500ms),并通过 个 卷积核混合通道特征,得到大小为 ;(线性激活)
- 连接一个 BatchNorm 层,并使用 ELU 函数激活;
- 使用大小为 的平均池化层降采样;
- 连接一个 Dropout 层,小样本使用 ,大样本使用 ;
输出大小为 ;
预测层:
- 将特征层线性展开成长度为 的特征向量;
- 使用 输出预测;
5. 参数量对比:
这里跟我写的上一篇博客提到的两个网络对比了参数量:
其中 表示 ,并且 ;