带有动态标签平滑的内部和道间深卷积神经网络,用于多通道生物信号分析
Peiji Chen1, Wenyang Li1, Yifan Tang1
1Department of Mechanical Engineering and Intelligent System, the University of Electro-Communications, Tokyo, Japan.
概括
这项研究引入了一种新的1D深层内部和通道间 (I2C) 卷积神经网络,用于高效的多通道生物信号处理. I2C网络增强了特征提取和概括,为医疗保健应用提供了更高的准确性和更低的复杂性.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 多通道生物信号处理对于医疗保健和人机交互至关重要.
- 深层卷积神经网络 (CNN) 是有前途的,但在特征提取,模型复杂性和概括方面面临挑战.
- 现有的方法通常需要大量的预处理或具有高的参数数量.
研究的目的:
- 开发一个高效的深度学习模型,用于多通道生物信号处理.
- 解决空间时间特征提取的局限性,性能复杂性权衡和模型概括性的问题.
- 提高生物信号处理在现实世界的场景中的适用性.
主要方法:
- 提出了一种基于1D的深层内部和通道间 (I2C) 卷积神经网络.
- 引入了一个I2C卷积块来取代标准层,以减少参数以有效地提取特征.
- 集成了一个分支模型,具有动态标签平滑,以增强概括能力和域调整.
主要成果:
- 拟议的I2C网络在准确性方面展示了显著的竞争优势.
- 在性能和模型复杂性之间实现了有利的权衡.
- 在不同生物信号数据集 (ISRUC-S3,HEF,Ninapro-DB1) 中展示了改进的概括能力.
结论:
- 1D I2C CNN为多通道生物信号处理提供了一个有效的解决方案.
- 该方法提供了高精度,计算效率和强大的概括的平衡.
- 这种方法有可能推进医疗保健和人机交互应用.
