运动想象分类学习系列:EEG-FMCNN
- 0. 引言
- 1. 主要贡献
- 2. 提出的网络结构
- 2.1 SE模块
- 2.2 多分支一维卷积神经网络
- 3. 实验结果
- 3.1 消融实验结果
- 3.2 与基线模型比较
- 4. 总结
- 欢迎来稿
论文地址：https://link.springer.com/article/10.1007/s11517-023-02931-x
论文题目：EEG-FMCNN: A fusion multi-branch 1D convolutional neural network for EEG-based motor imagery classification
论文代码：无
0. 引言
MI-EEG信号的高性能解码能力是影响行业发展的关键问题。然而，由于低信噪比和受试者间的变异性，解码 MI-EEG 信号具有挑战性。针对上述核心问题，本文提出了一种新的端到端网络，即融合多分支一维卷积神经网络（EEG-FMCNN），无需预处理即可解码MI-EEG信号。多分支一维卷积的利用不仅表现出一定程度的噪声容差，而且在一定程度上解决了受试者间变异性的问题。这归因于多分支架构能够从不同频段捕获信息，从而能够建立最佳的卷积尺度和深度。此外，我们在适当的位置加入了一维挤压和激励 （SE） 模块和快捷连接，以进一步增强网络的泛化性和鲁棒性。
总得来说：提出的网络结构与多分支不同的卷积核结构相比具有细微不同，但是是否有效还需要更多实验来进行验证。。。。
1. 主要贡献
- 提出了一种高性能的EEG-FMCNN模型，该模型包含SE模块、二维卷积特征提取模块、融合多分支1D-CNN和残差结构。
- 融合的多分支1D-CNN结构可以捕获来自不同频段和时间段的特征信息，在一定程度上解决了受试者间的变异性。此外，它还表现出很强的抗噪性。
- 在这项研究中，SE模块被用来对来自不同渠道的信息进行加权。一方面可以增强来自关键通道的特征信息，另一方面提供一定程度的噪声抑制。
- 本研究采用残差结构来缓解深度CNN中的过拟合问题，同时增强网络的泛化能力。
- 该模型在BCI Competition IV-2a（BCI-2a）数据集中取得了优异的成绩。
2. 提出的网络结构
提出的网络结构如图所示：
2.1 SE模块
SE模块的主要作用是通过给通道增加注意力来选取更关键特征，其整体结构其实就是图1中的左边部分：
2.2 多分支一维卷积神经网络
这个多分支结构其实就是文章的关键部分。在传统多分支结构中一搬选择不同的卷积核来提取维度特征，从而提高精度。而本文里面选用了拼接的方式。
3. 实验结果
3.1 消融实验结果
可以看到，使用平均池化层和最大池化层对性能有显著影响，两者之间相差 2.2 点。残差结构也在一定程度上优化了网络的整体性能，使网络提升了1.3个百分点。SE 模块还将网络精度提高了 0.5 个百分点。结果表明，文中每个区块的增加在一定程度上对网络的精度有贡献，并且多个结构之间没有相互影响。此外，当同时去除SE块和残差块并使用maxpooling层时，精度仅达到71.64，比完整结构低7.22点。因此，在选择池化层跟随卷积层时，应进行充分的实验比较。值得注意的是，这些结构模块对参数的影响很小或没有影响，并且在不增加计算复杂度的情况下在一定程度上提高了网络的精度。
3.2 与基线模型比较
我们总结了 EEG-FMCNN 和其他几个竞争网络在 BCI 竞争 IV-2a 数据集上的分类准确性和 k 分数。
4. 总结
到此，使用 EEG-FMCNN 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！！
