EEG-CDILNet:一种轻量级且准确的CNN网络,使用循环扩展卷积来进行运动图像分类
Tie Liang1,2, Xionghui Yu1,2, Xiaoguang Liu1,2
1Key Laboratory of Digital Medical Engineering of Hebei Province, Hebei University, Baoding 071002, People's Republic of China.
Journal of neural engineering
|August 8, 2023
概括
这项研究引入了一种新的轻量级深度学习模型,用于运动图像 (MI) 电脑图像 (EEG) 分类. 拟议的模型实现了高精度,降低了计算成本,平衡了大脑-计算机接口的性能和效率.
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:
- 使用脑电图 (EEG) 信号进行运动图像 (MI) 分类对于脑电脑接口 (BCI) 至关重要.
- 深度学习模型提供高精度,但通常需要大量的计算资源,这对实际应用构成挑战.
- 在MI分类的深度学习中平衡解码性能和计算成本仍然是一个重要的研究障碍.
研究的目的:
- 开发一种新的,轻量级的端到端卷积神经网络 (CNN),用于准确的运动图像 (MI) 分类.
- 在基于深度学习的MI分析中解决分类准确性和计算成本之间的权衡问题.
- 在多个公共EEG数据集上验证拟议模型的有效性.
主要方法:
- 提出了一个端到端的CNN模型,命名为EEG循环扩展卷积 (CDIL) 网络.
- 利用深度可分离的卷积来减少参数,并从EEG信号中提取时空特征.
- 采用循环扩展卷积 (CDIL) 来进行时间变化的深度特征提取和全球平均聚合以减少参数.
主要成果:
- 获得的平均分类准确率为79.63% (BCIIV2a),94.53% (HGD 4类) 和87.82% (BCIIV2b).
- 与其他轻量级模型相比,在解码性能和计算成本之间取得了更好的平衡.
- 废弃实验和特征可视化证实了模型的结构可行性和有效性.
结论:
- 拟议的CNN模型在显著减少计算资源的情况下提供高MI分类准确性.
- EEG-CDIL网络为运动图像分类研究中的实际应用提供了可行的解决方案.
- 这种轻量级的深度学习方法有效地解决了基于EEG的BCI计算成本的挑战.
