稳态视觉诱发电位分类学习系列:FFT-CNN-CCA
- 0. 引言
- 1. 主要贡献
- 2. 提出的方法
- 2.1 数据处理
- 2.2 卷积神经网络的结构
- 3. 结果
- 3.1 健康参与者结果比较
- 3.2 卒中患者结果比较
- 4. 总结
- 欢迎来稿
论文地址：https://ieeexplore.ieee.org/document/8708243
论文题目：A Convolutional Neural Network for the Detection of Asynchronous Steady State Motion Visual Evoked Potential
论文代码：暂无
0. 引言
脑机接口（BCI）的一个关键问题是以异步方式检测有意控制（IC）状态和非有意控制（NC） 状态。此外，对于稳态视觉诱发电位 （SSVEP） BCI 系统，IC 状态中存在多个状态（子状态）。现有的识别方法依赖于阈值技术，难以实现高准确率，即同时实现高真阳性率和低假阳性率。为了解决这个问题，我们首次提出了一种新型卷积神经网络（CNN）来检测SSVEP-BCI系统中的IC和NC状态。具体来说，稳态运动视觉诱发电位 （SSMVEP） 范式被选为实验范式，该范式已被证明可以减少视觉不适。提出了两种用于检测 IC 和 NC 状态的处理管道。第一个是使用 CNN 作为多类分类器来区分 IC 和 NC 状态 （FFT-CNN） 中的所有状态。第二种是使用 CNN 区分 IC 和 NC 状态，并使用规范相关分析 （CCA） 在 IC （FFT-CNN-CCA） 内执行分类任务。我们证明，当使用CCA阈值等传统算法时，两种管道都实现了低绩效健康参与者的准确性显着提高。此外，基于卒中患者的数据，FFT-CNN-CCA 管道比 FFT-CNN 管道取得了更好的性能。总之，我们表明 CNN 可用于异步 SSMVEP-BCI 中的鲁棒检测，在实验室外 BCI 应用中具有巨大潜力。
总的来说：本文提出了一个不错的思路，就是先分大类，然后再对小类进行精确区分，感觉可能会实现不错的效果。。。
1. 主要贡献
- 首次提出了一种新型的
深度神经网络来实现异步SSMVEP-BCI - 将结果与基于CCA的
阈值（CCA-THD）和CCA后KNN（CCA-KNN）两种传统算法进行了比较。
2. 提出的方法
该研究提出了两条CNN管道，其原理图如下图所示。第一个流水线使用 CNN 作为多类分类器来区分 IC 和 NC 状态的所有状态。第二种策略使用 CNN 来区分 IC 和 NC 状态，然后使用 CCA 运算符对 IC 状态内的特定类别进行分类。
2.1 数据处理
采集的脑电图数据由3 Hz至40 Hz的带通滤波器进行预处理。根据时间戳，脑电图数据分为四个IC组和NC组，如下图所示。IC组包括IC1、IC2、IC3和IC4四个状态，分别响应左、右、上和下棋盘。每组由多个 6 秒的脑电信号周期组成。使用重叠时间为 1.9 秒的 2 秒滑动窗口进一步分割每个时期。实验范式本文没有介绍，感兴趣的可以去看下原文。。。。
对于CNN方法，每个2秒窗口通过快速傅里叶变换转换为其频域表示。选择3 Hz至33 Hz之间的60个频率点作为网络的输入数据。这是对脑电图数据的六个通道中的每一个执行的。
2.2 卷积神经网络的结构
对于这两个管道，CNN 由六个连续层组成，如下图所示。
3. 结果
3.1 健康参与者结果比较
传统方法比较：
TABLE I The Accuracies Using Different Thresholds in CCA-THD Method and Using Different in CCA-KNN MethodK
本文提出的方法与传统方法进行比较：
为了更清晰地展现结果，使用混淆矩阵来表明结果的好坏：
3.2 卒中患者结果比较
根据从三名脑卒中患者收集的脑电图数据进一步评估了所提方法的性能。
4. 总结
到此，使用 稳态视觉诱发电位 (SSVEP) 分类学习系列 (1) :FFT-CNN-CCA 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！！
