多频段CNN带带依赖的内核和合并的交叉透损失用于运动图像分类

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 卷积神经网络 (CNN) 广泛用于从脑电图 (EEG) 信号进行运动图像 (MI) 分类.
• 现有的CNN方法由于内核大小优化挑战而遭受主体依赖.
• 利用EEG信号的频率多样性对于改善MI分类至关重要.

研究的目的:

• 开发一种新的MI分类方法,通过优化不同频段的内核大小来解决对象依赖.
• 引入一个多频段CNN架构 (MBK-CNN),利用EEG信号的频率多样性.
• 提出一个增强版本 (MBK-LR-CNN),以提高空间多样性,以提高分类性能.

主要方法:

• 脑电图信号被分解成重叠的多频段.
• 每个带都由专门的CNN ("分支CNN") 处理,具有独特的,带依赖的内核大小.
• 采用合并的交叉损失函数来防止过拟合和优化网络.
• 一种增强的空间多样性方法 (MBK-LR-CNN) 在频道子集 ("本地区域") 上使用子分支CNN.

主要成果:

• 拟议的MBK-CNN和MBK-LR-CNN方法证明了MI分类性能的提高.
• 公共数据集 (BCI竞争IV数据集2a,高马数据集) 的实验结果证实了性能增长.
• 这种新的方法有效地解决了以往基于CNN的方法固有的主体依赖问题.

结论:

• MBK-CNN架构成功地利用了EEG频率的多样性,并解决了MI分类的对象依赖性.
• 通过改善空间多样性,MBK-LR-CNN进一步提高了性能.
• 这些新的方法代表了基于EEG的MI分类准确度的重大进步.