BFRCNet:在快速串行视觉呈现范式中解决阶级失衡问题,用于解码

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:

• 在快速串行视觉呈现 (RSVP) 任务的脑电图 (EEG) 分析中,不平衡的样本大小显著降低了分类准确性.
• 现有的方法很难有效地处理RSVP EEG数据集固有的数据分布差异.

研究的目的:

• 引入BFRCNet,一种专门的神经网络架构,旨在在不平衡数据条件下提高EEG分类准确性.
• 通过开发一种强大的方法来处理EEG信号中的类不平衡来增强RSVP任务的分析.

主要方法:

• BFRCNet采用了三阶段的架构:特征表示,重组和分类.
• 功能表示阶段使用金字塔结构进行多尺度的时空模式集成,灵感来自视觉生理学.
• 再组合阶段使用样本来重新平衡数据分布,分类阶段采用了新的焦点损失函数与类和样本重量.

主要成果:

• 在THU数据集上,BFRCNet获得了89.53%的平衡准确度 (BA) 评分,在CAS数据集上达到90.15%.
• 拟议的方法在解决RSVP任务的阶级不平衡方面显著优于现有的最先进技术.
• 新的焦点损失功能有效地优先考虑少数样本,改善了整体分类性能.

结论:

• 在对RSVP任务分类不平衡的EEG数据方面,BFRCNet表现出卓越的性能.
• 该架构提供了一个强大的解决方案,用于在具有显著类差异的场景中提高分类准确性.
• 这项工作为基于EEG的大脑计算机接口和RSVP范式中的认知状态分析提供了有前途的进展.