62、 忠北国立大学计算机科学系:FingerNet-专门用于细致MI分类的神经网络模型

       本文由泡菜国高校于2024年3月6日发表于arXiv做了一个专门处理运动想象信号的CNN模型,融合了EEGNetDeepConvNet

       FingerNet是一种专门用于细致MI分类的网络,利用了时间特征,在相同手部分类任务中表现出比EEGNet和DeepConvNet更好的性能。使用加权交叉熵损失函数来解决类别不平衡问题,减轻模型的偏向性预测。本文计划在未来的工作中改进FingerNet的准确性,设计更有效的网络结构。由于左右手受试者之间的比例不平衡,未来将收集更大、更平衡的数据集,以解决主导手评估MI能力不足的问题。通过提高性能的努力,可以实现对细致MI和粗略MI的有效执行。

论文连接:[2403.03526] FingerNet: EEG Decoding of A Fine Motor Imagery with Finger-tapping Task Based on A Deep Neural Network (arxiv.org)
 

摘要

脑-计算机接口(BCI)技术促进了人脑与计算机之间的通信,主要利用脑电图(EEG)信号来解读人类意图。虽然基于 EEG 的 BCI 系统已经为瘫痪患者开发出来,但正在进行的研究探索了用于言语意象和运动意象(MI)的系统。本研究介绍了 FingerNet,这是一个专门用于细微 MI 分类的网络,与传统的粗略 MI 研究不同。 FingerNet 可以从 EEG 信号中提取空间和时间特征,提高了在同一手中的分类准确性。实验结果表明,在分类五个手指敲击任务方面,包括拇指、食指、中指、无名指和小指的运动,性能显示出明显更高的准确性。 FingerNet 在与传统基线模型 EEGNet 和 DeepConvNet 的比较中表现出优势。FingerNet 的平均准确性为 0.3049,而 EEGNet 和 DeepConvNet 的准确性分别为 0.2196 和 0.2533,低于 FingerNet。统计验证也证明了 FingerNet 在基线网络上的优势。为了解决偏向性预测问题,尤其是拇指和食指类别,我们实施了加权交叉熵,并且还采用了加权交叉熵,这是一种通常用于减轻类别不平衡的方法。 FingerNet 的优化不仅涉及细致的 MI,而且加权交叉熵方法在涉及多类别分类任务的各种领域中具有更广泛的适用性。本研究表明,有效地执行运动意象不仅可以实现细致的 MI,还可以实现局部肌肉 MI。

关键词: BCI, EEG, DL, Motor-Imagery(MI), FingerNet, Five-finger tapping task, weighted cross-entropy

实验与数据

- 9名年龄在20至25岁之间的健康参与者,其中包括4名男性和5名女性,参与了实验。

- 实验方案包括250次重复,分为十个手指类别。

- 参与者经历了两个会话:物理敲击和模拟手指运动。

- 在参与者闭眼放松的情况下,收集了10分钟的脑电图数据。

- 数据收集: 64 channel EEG cap and BrainVision Recorder software (BrainProduct GMbH, Germany),

- 获得了忠北国立大学伦理审查委员会的批准(批准号CBNU-202310-HRHR-0228)。

- 分析了右手五个手指类别和运动想象(MI)会话的数据。

实验流程图

数据采集

模型与结果:

损失函数:

交叉熵、传统加权交叉熵和旨在减少预测偏差的加权交叉熵的公式分别表示为 (1)、(2) 和 (3)。符号 q 和 p 分别代表实际值和预测值。其中,α 相当于类数据数量的倒数,w 表示本研究中设定的启发式权重值。

本文主要适用加权交叉熵,对不同类别的标签进行处理,解决偏向性预测的问题

交叉熵是深度学习训练中的一种主要损失函数,用于计算实际值与预测值之间的差异。它用于评估模型预测的准确性,并引导学习过程。交叉熵更加强调对错误预测的惩罚,而不是对准确预测的奖励。因此,这种方法在学习过程中更加突出地处理了主要类别,导致训练中对次要类别的投入减少。为了解决这一问题,我们实现了加权交叉熵,利用每个类别关联的数据量作为加权因子来调整损失比率。从这个角度出发,我们通过调整权重来预防偏向性预测,从而解决了偏向性预测的问题。我们通过使用加权交叉熵在特定类别(拇指和食指)的预测失败时增加损失值来解决偏向性预测的问题。这种方法旨在通过为与特定类别相关的错误预测分配更高的惩罚来解决偏向性预测的问题。用于解决类别不平衡的传统加权交叉熵根据数据量调整权重,而用于预防偏向性预测的加权交叉熵则没有确定权重的已建立度量。因此,我们最初将每个类别的权重设置为 1.0,然后通过逐步减少主要预测类别的权重 0.05 来启发式地调整权重,以减轻偏向性预测。

模型:

模型如表1所示,作者将提出的FingerNet模型与EEGNet和DeepConvNet对比,结论是本文模型结构更加复杂,模型层数更多,暗示了更大的存储和运算空间。

EEGNet 是一个使用深度卷积和可分离卷积层从 EEG 信号中提取空间特征的卷积神经网络。为了增强对细微 MI 的分类性能,我们设计了该网络以提取高维时间特征和空间特征。这种方法源自 DeepConvNet 的主要概念,即提取多样化的特征集合,而不受特定类型的限制。我们从这两个基线模型的设计中获得了 FingerNet 设计的灵感。通过将 EEGNet 和 DeepConvNet 的特征结合到 FingerNet 中设计,FingerNet 有利于从 EEG 信号中提取空间和时间高维特征进行细致 MI 分类。FingerNet 通过与 EEGNet 相同的深度和可分离卷积层提取特征,然后是三对类似于 DeepConvNet 的卷积和池化层,从而实现了更高维度特征的提取。为了减少 FingerNet 中多层的复杂性,我们采用了最大范数和丢弃技术。表 I 表示了 EEGNet、DeepConvNet 和 FingerNet 的结构比较。这三个模型都采用了相同的激活函数、优化器和损失函数。

结果:

比较了 EEGNet、DeepConvNet 和 FingerNet 的性能

结论:

       在本文中,我们提出了 FingerNet,这是一种专门用于细致 MI 分类的网络,利用时间特征。与其他基线模型(EEGNet 和 DeepConvNet)相比,FingerNet 在相同手部分类中表现出优势性能。尽管目前的性能受到相对较低的限制,但该模型表明利用高维时间特征和空间特征可以在局部区域对 MI 进行分类的潜力。此外,在本研究中,建议使用加权交叉熵损失函数,这是一种传统的用于解决类别不平衡问题的方法,作为减轻模型偏向性预测的手段。该方法通过调整损失函数在多类别分类中实现平衡的预测,从而有助于实现平衡的预测,特别是在发生偏向性预测的情况下。这意味着在数据获取成本高昂的情况下(如 EEG 数据),修改损失函数以解决偏向性预测可能是一种有益的方法。在未来的工作中,我们将改进 FingerNet 的准确性。正如前面提到的,设计更有效的网络结构非常重要。此外,在这个实验中,左右手受试者之间的比例不平衡。为了解决根据主导手评估 MI 能力的不足,我们计划在未来的工作中收集更大、更平衡的数据集。总之,通过这些提高性能的努力,我们相信不仅可以实现对细致 MI 的有效执行,还可以实现对粗略 MI 的有效执行。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/18732.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

ts: 类型断言as

类型断言有两种形式 1. 尖括号语法 (value) let someValue: any "this is a string"; let strLength: number (<string>someValue).length;2. as 语法 (value as Type)&#xff1a; let someValue: any "this is a string"; let strLength:…

使用 MySQL 触发器 + 统计学生表实时计算表数据量

要使用 MySQL 触发器实时计算表数据量&#xff0c;您可以创建一个触发器&#xff0c;当插入、更新或删除学生表的数据时&#xff0c;触发器就会更新另一个表中保存的学生表数据量信息。以下是一个示例&#xff1a; 首先&#xff0c;假设您有一个名为 students 的学生表&#x…

低代码开发难吗?

在软件开发的多样化浪潮中&#xff0c;低代码开发平台以其简化的编程模型&#xff0c;为IT行业带来了新的活力。作为一位资深的IT技术员&#xff0c;我对低代码开发平台的易用性和强大功能有着深刻的认识。今天&#xff0c;我将分享我对YDUIbuilder这一免费开源低代码平台的使用…

【如何衡量相机标定结果的精度】相机标定评价函数

相关博客&#xff1a; 【鱼眼&#xff0b;普通相机】相机标定【opencv】图像畸变校正 一、简介 常用的衡量相机标定结果精度的评价标准&#xff1a; 畸变矫正效果&#xff1a;标定过程中会估计畸变系数&#xff0c;畸变矫正的效果可以通过比较矫正前后的图像来评估。如果畸变…

0.25W 1.5KVDC~3KVDC 隔离超小型单输出 DC/DC 电源模块——TKE-W25系列

TKE-W25系列隔离超小型单输出 DC/DC 电源模块是一款超小型单输出电源模块&#xff0c;工业级环境温度&#xff0c;用于PCB安装的国际标准结构。此系列产品小巧&#xff0c;效率高&#xff0c;低输出纹波,用于需要电压转换和隔离的场合&#xff0c;封装有SIP和DIP可选。

出租房水电抄表系统的全面解析

1.系统定义和功能 出租房水电抄表系统是一种智能的可视化工具&#xff0c;关键用于解决房东在经营好几个出租房源时&#xff0c;对水电的使用量统计分析、收费和管理上的问题。通过自动化抄表、收费和通告&#xff0c;此系统减轻了房东的工作负担&#xff0c;提高了效率&#…

达梦数据库安装手册

首先了解达梦数据库相关内容&#xff1a; 达梦在线服务平台 下载windows版本开发版&#xff0c;将下载的文件解压。进行安装 2、安装流程&#xff0c;默认选择下一步。 3、安装引导&#xff0c;默认下一步&#xff0c;安装实例可以进行修改 4、最后一步记录一下创建的摘要 …

JavaDS-学习数据结构之如果从零开始手搓顺序表,顺带学习自定义异常怎么用!

前言 笔者开始学习数据结构了,虽然笔者已经会用了,不管是C 中的stl亦或是Java 中的集合,为了算法比赛多少都突击过,但只知其然而不知其所以然,还是会限制发展的,因此,笔者写下这篇博客.内容是手搓一个顺序表.顺带加一点异常的使用,大伙看个乐子就好了.有错误直接私信喷我就好了…

清华大学提出IFT对齐算法,打破SFT与RLHF局限性

监督微调&#xff08;Supervised Fine-Tuning, SFT&#xff09;和基于人类反馈的强化学习&#xff08;Reinforcement Learning from Human Feedback, RLHF&#xff09;是预训练后提升语言模型能力的两大基础流程&#xff0c;其目标是使模型更贴近人类的偏好和需求。 考虑到监督…

Python flask怎么连接MySQL?

在Python中连接MySQL并使用模型创建新的表&#xff0c;通常我们会使用ORM&#xff08;对象关系映射&#xff09;库&#xff0c;比如SQLAlchemy或者Django ORM&#xff0c;它们允许我们定义Python类来映射到数据库中的表&#xff0c;并通过这些类进行数据库操作。下面是一个使用…

【Vue】v-else 和 v-else-if

作用&#xff1a;辅助v-if进行判断渲染 语法&#xff1a; v-else v-else-if"表达式"PS&#xff1a;需要紧接着v-if使用 示例代码&#xff1a; <body><div id"app"><p v-if"gender 1">性别&#xff1a;♂ 男</p><…

Java基础入门day60

day60 购物车案例补充 设置欢迎页 打开也系统&#xff0c;就可以直接看到商品列表页面 之前曾经设置过欢迎页&#xff0c;都是针对页面&#xff0c;可以有html页面&#xff0c;也可以有jsp页面 但是今天我们将一个servlet设置成欢迎页 在web.xml文件中设置欢迎页 <welcome…

【C++】牛客——JZ38 字符串的排列

✨题目链接&#xff1a; JZ38 字符串的排列 ✨题目描述 输入一个长度为 n 字符串&#xff0c;打印出该字符串中字符的所有排列&#xff0c;你可以以任意顺序返回这个字符串数组。 例如输入字符串ABC,则输出由字符A,B,C所能排列出来的所有字符串ABC,ACB,BAC,BCA,CBA和CAB。 数…

Pi 母公司将开发情感 AI 商业机器人;Meta 科学家:Sora 不是视频生成唯一方向丨RTE 开发者日报 Vol.214

开发者朋友们大家好&#xff1a; 这里是 「RTE 开发者日报」 &#xff0c;每天和大家一起看新闻、聊八卦。我们的社区编辑团队会整理分享 RTE&#xff08;Real-Time Engagement&#xff09; 领域内「有话题的新闻」、「有态度的观点」、「有意思的数据」、「有思考的文章」、「…

揭秘IDM:数字资产管理的未来之星

在当今数字化时代&#xff0c;数字资产管理的重要性日益凸显。随着科技的飞速发展&#xff0c;越来越多的企业和个人开始关注如何有效管理和保护他们的数字资产。在这个过程中&#xff0c;IDM&#xff08;身份管理系统&#xff09;逐渐成为了热门话题。IDM作为一种新兴的技术手…

圆通(有原则,会变通) VS 圆滑

圆通不是圆滑&#xff0c;圆通是随机应变&#xff0c;圆滑则是投机取巧&#xff0c;两者差别很大。圆通更趋向于褒义。圆滑的意思是不负责任&#xff0c;擅长推卸&#xff0c;不得罪人&#xff0c;圆通的意思是坚持自己的原则&#xff0c;但是不会使用粗暴的方式来解决&#xf…

动手学操作系统(四、MBR读取硬盘加载Loader)

动手学操作系统&#xff08;四、MBR读取硬盘加载Loader&#xff09; 在上一节中&#xff0c;我们学习了使用MBR来直接控制显卡进行显示&#xff0c;在这一节中我们学习如何让MBR来操作硬盘&#xff0c;加载Loader来完成操作系统的后续启动过程。 文章目录 动手学操作系统&…

神经网络与深度学习——第14章 深度强化学习

本文讨论的内容参考自《神经网络与深度学习》https://nndl.github.io/ 第14章 深度强化学习 深度强化学习 强化学习&#xff08;Reinforcement Learning&#xff0c;RL&#xff09;&#xff0c;也叫增强学习&#xff0c;是指一类从与环境交互中不断学习的问题以及解决这类问题…

JavaScript引用外部js文件

我们可以把脚本保存到外部文件中。外部文件通常包含被多个网页使用的代码。外部 JavaScript 文件的文件扩展名是 .js。如需使用外部文件&#xff0c;请在 <script> 标签的 "src" 属性中设置该 .js 文件&#xff1a; 如&#xff1a; <!DOCTYPE html> &l…

SQL刷题笔记day4补

1题目 我的正确代码 select e.last_name,e.first_name,d.dept_name from employees e left join (select departments.dept_name,dept_emp.emp_no,dept_emp.dept_no from departments join dept_emp on departments.dept_nodept_emp.dept_no) d on e.emp_nod.emp_no复盘&…