运动想象分类学习系列:WTS-CC
- 0. 引言
- 1. 主要贡献
- 2. WTS-CC
- 2.1 iTFE模块
- 2.2 DEC模块
- 2.3 WTS模块
- 2.4 判别模块
- 3. 实验结果
- 3.1 与现有方法比较
- 3.2 消融实验
- 4. 总结
- 欢迎来稿
论文地址：https://ieeexplore.ieee.org/abstract/document/10065454
论文题目：EEG-Channel-Temporal-Spectral-Attention Correlation for Motor Imagery EEG Classification
论文代码：无
0. 引言
如何从复杂的脑电图（EEG）信号中正确识别各种特征及其相应的动作是一项具有挑战性的技术。然而，目前大多数方法没有考虑空间、时间和频谱域的脑电特征信息，这些模型的结构不能有效地提取判别特征，导致分类性能有限。针对这一问题，我们提出了一种新的文本运动图像脑电判别方法，即基于小波的时间-频谱-注意力相关系数（WTS-CC），以同时考虑这些特征及其在空间、脑电通道、时间和频谱领域的权重。初始时间特征提取 （iTFE） 模块提取 MI EEG 信号的初始重要时间特征。然后提出深度脑电通道注意力（DEC）模块，根据每个脑电通道的重要性自动调整其权重，从而有效地增强更重要的脑电通道并抑制不太重要的脑电通道。其次，提出基于小波的时谱注意力（WTS）模块，通过在二维时频图上对特征进行加权，获得不同MI任务之间更显著的判别特征。最后，使用简单的鉴别模块进行心肌梗死脑电图鉴别。
总得来说：该算法具有一定的可参考性，就是效果有待进一步的研究。。。
1. 主要贡献
- 我们提出了一种新的
基于小波的时间-频谱-注意力相关系数（WTS-CC），通过同时考虑特征及其在空间、脑电通道、时间和频谱域中的权重，实现更准确的MI EEG判别。 - 提出了
深度脑电通道注意力（DEC）模块，根据每个脑电通道的重要性自动调整其权重，从而有效地增强了较重要的脑电通道，抑制了不太重要的脑电通道。 - 该文提出
基于小波的时-频-注意力（WTS）模块，在不同MI任务之间的二维时频图上获得更显著的判别性时-频-注意力特征。 - 实验结果表明，在
3个公开数据集上，所提WTS-CC方法在分类精度、Kappa系数、F1评分和AUC等方面均与现有方法相比，取得了较好的性能。
2. WTS-CC
WTS-CC的整体结构如下图所示，包含iTFE模块、DEC模块、WTS模块和鉴别模块。
2.1 iTFE模块
在以往的研究中，大多数模型使用单一尺寸的卷积核进行卷积运算，限制了模型的部分特征提取和分类性能。因此，我们设计了三个不同大小的卷积核，1×3 ,1×5 和1×11 ，并随时间推移进行卷积运算，以提取不同大小的更丰富的特征信息。
2.2 DEC模块
DEC模块和SE模块本质是相似的，主要通过 Squeeze 和 Excitation 两个操作来实现通道加权进而有效提取特征的目的。其中，Squeeze操作是通过 全局池化 压缩为一维特征， Excitation 操作通过全连接层、激活函数等学习各个通道之间的权重。
整体结构与SE模块的区别可能就在于结构有些许不同。。。。另外，这里需要注意第一个模块的输出跟第二个模块的输出有一个短连接，第二个模块仅用于计算权重，还需要跟原来数据进行加权。。。
2.3 WTS模块
在WTS模块中，上述步骤输出的脑电信号首先通过CWT转换为时频域，然后绘制成二维时频特征图（TSFM）。通过这种方式，我们可以很容易地观察到特定频率或时间下能量大小的变化，并通过观察受试者的多次试验来估计有利于 MI 分析的 ERS/ERD 的相对位置。
完成 CWT 后，EEG 信号被转换为 TSFM 的表示。为了捕捉不同MI任务之间更关键的特征，我们首先合并了同类型MI任务的脑电通道，并使用独立样本T统计量来判断不同MI任务两组之间的特征差异程度。
在计算完 t 统计量后，将 t 统计量 作为时频特征的权重，然后将每个试验的 TSFM 乘以相应的权重，得到 t 统计量加权的时间-频谱特征图（tTSFM），并绘制出 A 组和 B 组 MI 的 t 统计量加权平均时间-频谱特征图，作为后续评估不同 MI 任务分类的基准。
没有实际做，所以还是很疑惑这里t统计量权重的意义，感觉没什么太大意义。。。。
2.4 判别模块
在执行WTS模块后，我们获得了两个不同MI任务（即A和B）的平均tTSFM，这些tTSFMs被用作这两组的分类基准。与最先进的方法和深度学习模型不同，鉴别模块通过评估每个测试试验的 tTSFM 与这两个 MI 任务的平均 tTSFM 之间的相关性，使用相关系数进行心肌梗死脑电图鉴别。哪个组别相关系数较大，则任务是哪个组别的任务。。
有点绕，总体来说就是根据训练提取特征，然后测试的时候看测试数据跟哪个组别的特征更相关，然后就判断测试数据属于哪一个分类。。。
3. 实验结果
3.1 与现有方法比较
3.2 消融实验
DEC模块中激活函数的选择（作者说DEC模块和SE模块的区别就是用的Softmax激活而不是Sigmoid激活）：
DEC模块消融实验：
WTS模块消融实验：
4. 总结
到此，使用 WTS-CC 已经介绍完毕了！！！ 如果有什么疑问欢迎在评论区提出，对于共性问题可能会后续添加到文章介绍中。
如果觉得这篇文章对你有用，记得点赞、收藏并分享给你的小伙伴们哦😄。
欢迎来稿
欢迎投稿合作，投稿请遵循科学严谨、内容清晰明了的原则！！！！ 有意者可以后台私信！！
