HiRENet:使用希尔伯特转换和原始电脑电图 (EEG) 来进行主体独立的情绪分类的新型卷积神经网络架构

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 卷积神经网络 (CNN) 是解码脑电图 (EEG) 的标准.
• 传统的CNN主要使用原始EEG数据,由于不包含相位信息,可能会限制性能.

研究的目的:

• 为了引入一种新的CNN架构,HiRENet,用于增强EEG解码.
• 研究将相位信息 (通过希尔伯特变换) 与振幅信息 (原始EEG) 整合对分类准确性的影响.
• 评估拟议模型的计算效率.

主要方法:

• 开发了HiRENet,一个CNN包含原始和希尔伯特转换 (HT) EEG数据.
• 使用ShallowFBCSPNet和一个剩余CNN (ResCNN) 框架实现了HiRENet.
• 在实验室制造的EEG数据库上评估人类情绪分类的性能,比较原始EEG,HTEEG和组合输入.
• 评估计算复杂性和效率.

主要成果:

• 基于ResCNN的HiRENet模型实现了卓越的分类准确性:价值的86.03%和兴奋的84.01%.
• 与ShallowFBCSPNet.net相比,ResCNN显示了更高的计算效率 (速度,推断时间).
• 原料和HT EEG的综合输入超过了单个模式.

结论:

• 拟议的HiRENet模型为改进基于深度学习的EEG解码提供了一个有希望的新方法.
• 将相位信息与振幅数据相结合,可以提高EEG分析的性能.
• HiRENet为先进的脑计算机接口和神经学研究提供了一个潜在的有价值的工具.