Новая сверточная сеть EEGSym обошла все state-of-the-art нейросетевые классификаторы при симуляции ИМК на моторном воображении
Новации:
- аугментация данных с использованием patch perturbation, hemisphere perturbation, and a random shift of onset
- улучшенное выделение признаков с сохранением пространственно-временной структуры данных на протяжении нескольких слоев
- некий a siamese-network approach
Сеть предварительно обучалась на всех испытуемых, кроме одного (тестового), а затем проводилась тонкая настройка на тренировочной части данных этого одного испытуемого и тестирование на тестовой части его данных. (Для оценки точности классификации процедура повторялась с выделением в качестве тестового каждого из 280 испытуемых).
We compare EEGSym’s performance on inter-subject MI classification with ShallowConvNet, DeepConvNet, EEGNet and EEG-Inception. This comparison is performed on 5 publicly available datasets that include left or right hand motor imagery of 280 subjects. This population is the largest that has been evaluated in similar studies to date. EEGSym significantly outperforms the baseline models reaching accuracies of 88.6±9.0 on Physionet, 83.3±9.3 on OpenBMI, 85.1±9.5 on Kaya2018, 87.4±8.0 on Meng2019 and 90.2±6.5 on Stieger2021. At the same time, it allows 95.7% of the tested population (268 out of 280 users) to reach BCI control (≥70% accuracy).
Perez-Velasco S, Santamaria-Vazquez E, Martinez-Cagigal V, Marcos-Martinez D, Hornero R. EEGSym: Overcoming Inter-subject Variability in Motor Imagery Based BCIs with Deep Learning. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2022 Jun. https://doi.org/10.1109/TNSRE.2022.3186442 https://ieeexplore.ieee.org/iel7/7333/4359219/09807323.pdf
Код: https://github.com/serpeve/eegsym
Новации:
- аугментация данных с использованием patch perturbation, hemisphere perturbation, and a random shift of onset
- улучшенное выделение признаков с сохранением пространственно-временной структуры данных на протяжении нескольких слоев
- некий a siamese-network approach
Сеть предварительно обучалась на всех испытуемых, кроме одного (тестового), а затем проводилась тонкая настройка на тренировочной части данных этого одного испытуемого и тестирование на тестовой части его данных. (Для оценки точности классификации процедура повторялась с выделением в качестве тестового каждого из 280 испытуемых).
We compare EEGSym’s performance on inter-subject MI classification with ShallowConvNet, DeepConvNet, EEGNet and EEG-Inception. This comparison is performed on 5 publicly available datasets that include left or right hand motor imagery of 280 subjects. This population is the largest that has been evaluated in similar studies to date. EEGSym significantly outperforms the baseline models reaching accuracies of 88.6±9.0 on Physionet, 83.3±9.3 on OpenBMI, 85.1±9.5 on Kaya2018, 87.4±8.0 on Meng2019 and 90.2±6.5 on Stieger2021. At the same time, it allows 95.7% of the tested population (268 out of 280 users) to reach BCI control (≥70% accuracy).
Perez-Velasco S, Santamaria-Vazquez E, Martinez-Cagigal V, Marcos-Martinez D, Hornero R. EEGSym: Overcoming Inter-subject Variability in Motor Imagery Based BCIs with Deep Learning. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2022 Jun. https://doi.org/10.1109/TNSRE.2022.3186442 https://ieeexplore.ieee.org/iel7/7333/4359219/09807323.pdf
Код: https://github.com/serpeve/eegsym