Graba el código que se reproduce durante tu propio proceso de aprendizaje
Artículo original (publicado en agosto de 2022)
Red convolucional temporal de atención informada por la física para la clasificación de imágenes motoras basadas en EEG
Diario: (factor de impacto 11.6+)
TRANSACCIONES IEEE SOBRE INFORMÁTICA INDUSTRIAL
Resumen
西文：La interfaz cerebro-computadora (BCI) es una tecnología de punta que tiene el potencial de cambiar el mundo. La señal de imágenes motoras (MI) del electroencefalograma (EEG) se ha utilizado ampliamente en muchas aplicaciones BCI para ayudar a las personas discapacitadas, controlar dispositivos o entornos, e incluso aumentar las capacidades humanas. Sin embargo, el rendimiento limitado de la decodificación de señales cerebrales está restringiendo el amplio crecimiento de la industria de BCI. En este artículo, proponemos una red convolucional temporal basada en la atención (ATCNet) para la clasificación de imágenes motoras basadas en EEG. El modelo ATCNet utiliza múltiples técnicas para impulsar el rendimiento de la clasificación de MI con un número relativamente pequeñode parámetros ATCNet emplea el aprendizaje automático científico para diseñar un modelo de aprendizaje profundo específico del dominio con características interpretables y explicables, autoatención de varios cabezales para resaltar las características más valiosas en los datos MI-EEG, red convolucional temporal para extraer características temporales de alto nivel y ventana deslizante basada en convoluciones para aumentar los datos MI-EEG de manera eficiente. El modelo propuesto supera las técnicas de vanguardia actuales en el conjunto de datos BCI Competition IV-2a con una precisión del 85,38 % y el 70,97 % para los modos dependiente e independiente del sujeto , respectivamente.
Traducción: La interfaz cerebro-computadora (BCI) es una tecnología de punta que tiene el potencial de cambiar el mundo. Las señales de imagen en movimiento (MI) de electroencefalografía (EEG) se han utilizado ampliamente en muchas aplicaciones de BCI para ayudar a las personas discapacitadas a controlar dispositivos o entornos, e incluso aumentar las capacidades humanas. Sin embargo, el rendimiento limitado de la decodificación de señales cerebrales ha limitado el amplio desarrollo de la industria de BCI. En este artículo, proponemos una red convolucional temporal basada en la atención (ATCNet) para la clasificación de imágenes en movimiento basada en EEG. Este modelo de ATCNet utiliza varias técnicas para mejorar el rendimiento de la clasificación de MI con un número relativamente pequeño de parámetros. ATCNet adopta el aprendizaje automático científico para diseñar un modelo de aprendizaje profundo específico del dominio con características interpretables y responsables, autoatención de varios cabezales para resaltar las características más valiosas en los datos MI-EEG, red convolucional temporal para extraer características temporales de alto nivel y características deslizantes basadas en convolución. Las redes convolucionales temporales extraen características temporales de alto nivel y las ventanas deslizantes basadas en convolución mejoran de manera efectiva los datos MI-EEG. El modelo propuesto supera el estado del arte actual en BCI. En el conjunto de datos IV-2a, el modelo propuesto supera el estado del arte actual con una precisión del 85,38 % y el 70,97 %.
Hoja de ruta tecnológica
entorno de laboratorio
CUDA = 11,0
oculto = 8.0
pitón = 3.7
tensorflow =2.4.0
Resultados experimentales
Subject: 1 best_run: 1 acc: 0.9149 kappa: 0.8866 avg_acc: 0.8629 +- 0.0124 avg_kappa: 0.8171 +- 0.0166
Subject: 2 best_run: 1 acc: 0.8090 kappa: 0.7454 avg_acc: 0.6448 +- 0.0326 avg_kappa: 0.5264 +- 0.0435
Subject: 3 best_run: 1 acc: 0.9861 kappa: 0.9815 avg_acc: 0.9410 +- 0.0143 avg_kappa: 0.9213 +- 0.0191
Subject: 4 best_run: 1 acc: 0.8264 kappa: 0.7685 avg_acc: 0.7677 +- 0.0258 avg_kappa: 0.6903 +- 0.0344
Subject: 5 best_run: 1 acc: 0.8681 kappa: 0.8241 avg_acc: 0.8017 +- 0.0142 avg_kappa: 0.7356 +- 0.0189
Subject: 6 best_run: 5 acc: 0.8194 kappa: 0.7593 avg_acc: 0.7118 +- 0.0170 avg_kappa: 0.6157 +- 0.0227
Asunto: 7 best_run: 10 acc: 0.7257 kappa: 0.6343 avg_acc: 0.8986 +- 0.0296 avg_kappa: 0.8648 +- 0.0394 Asunto: 8 best_run: 7 acc
: 0.9271 kappa: 0.9028 avg_acc: 0.8722 +- 0.0133 avg_kappa: 0.8296 +- 0.0178 Asunto: 9 best_run: 1 acc: 0.9080 kappa: 0.8773 avg_acc: 0.8778 +- 0.0186 avg_kappa: 0.8370 +-
0.0247Promedio de 9 sujetos - mejores carreras:
Precisión = 0.8650 Kappa = 0.8200Promedio de 9 sujetos x 10 corridas (promedio de 90 experimentos):
Precisión = 0.8198 Kappa = 0.7598
Finalizar