论文：《LEARNING REPRESENTATIONS FROM EEG WITH DEEP RECURRENT-CONVOLUTIONAL NEURAL NETWORKS》
文章来源：arXiv 2016
原文链接已附上。
一、论文简介
这篇文章是将脑电信号经过一系列处理之后做成image然后用ConvNet 、LSTM等方法来进行特征提取，最后得出分类结果。
二、论文创新点
本文主要是提出了一种新的脑电特征表达方法。一般脑电处理方法只包含了时域特征和频域特征并未包含空域特征，本文增加了空域特征来对脑电进行分析。
三、 数据集介绍
这是一个记录记忆容量的脑电实验。实验步骤如下：黑纸白字给出一些列英文字母为时0.5S让被试来记忆，然后间隔三秒开始测试，每次出现一个字母，被试做出选择是否出现在刚才的数据集中。我们分别识别包含2个，4个，6个，8个字符的每个条件分别为负载1，2，3，4。共13个被试，每个被试做240次实验。每次实验记录前3.5秒的脑电数据。分类任务是从EEG记录中识别对应于设置大小（呈现给主题的字符数）的负载水平。
四、本文主要工作
1) Fast Fourier Transform(FFT) is performed on the time seriesfor each trial to estimate the power spectrum of the signal.
2) Sumof squared absolute values within each of the three frequency bands wascomputed and used as separate measurement for each electrode.
3) we propose to transform the measurementsinto a 2-D image to preserve the spatial structure and use multiple colorchannels to represent the spectral dimension.
4) Finally,we use the sequence of images derived from consecutive time windows to account fortemporal evolutions in brain activity.
首先在脑电的时序序列上进行快速傅里叶变换对每一次试验预测功率谱.然后用平方和绝对值方法计算每一导脑电信号中三个频率的度量值。三个频率分别是：theta (4-7Hz), alpha(8-13Hz),beta (13-30Hz)。
接着，用本文提出的方法将计算出的度量值转换成2-D图像。
最后用这些图像序列来表示大脑活动，即作为输入输进分类器。
五、分类器
这篇文章将图片做了两种格式的转换，一种是单图方法，一种是多图方法。单图方法是对于一次实验只生成一张图片，然后输入到ConvNet网络中。这种做法是为了选择出用来提取特征的最佳卷积结构。另外一种多图方法是将3.5S的数据每0.5S做成一张图每个通道得七张图，然后将三通道图片结合在一起成为七张图片序列输入到分类器。这里的最佳卷积结构作为分类器得一部分存在，再分别加上max-pooling、LSTM和1-D卷积网络等做成一个分类器。
采用的结构示意图：
其中蓝条C即先前选出的最佳卷积结构，此处是下图D的七层结构：
六、结果讨论
这里可以看出效果还是不错的，提升了许多 错误率从15.34%降到8.9%。此外文章中还有单幅图分类效果和多幅图的分类效果比较本文中未再贴出，只给出最终的结构和分类效果的分析。本文中的方法效果显著提出的加入空域特征的创新点在脑电处理方面值得借鉴。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。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。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/bian-cheng-ri-ji/24014.html