Deep comparisons of Neural Networks from the EEGNet family

要約

Motor Imagery (MI) Electroencephalography (EEG) 信号分類のための人工ニューラル ネットワークを提案する Brain-Computer Interface (BCI) 出版物のほとんどは、BCI コンペティション データセットの 1 つを使用して提示されます。
ただし、これらのデータベースには、10 人以下の被験者の MI EEG データが含まれています。
さらに、これらのアルゴリズムには通常、ノイズを低減して信号品質を向上させるためにバンドパス フィルタリングのみが含まれます。
この記事では、統計的に有意な結果を取得するために、BCI コンペティション 4 2a データセットの隣にオープン アクセス データベースを使用して、5 つのよく知られたニューラル ネットワーク (Shallow ConvNet、Deep ConvNet、EEGNet、EEGNet Fusion、MI-EEGNet) を比較しました。
信号処理ステップとして FASTER アルゴリズムを使用して、EEG からアーティファクトを削除しました。
さらに、転移学習がアーティファクトでフィルタリングされたデータの分類結果をさらに改善できるかどうかを調査しました。
ニューラルネットワークをランク付けすることを目的としました。
したがって、分類精度の次に、2 つの追加のメトリックを導入しました。確率レベルによる精度の向上と転移学習の効果です。
前者は異なるクラス番号のデータベースで使用できますが、後者は十分な汎化能力を持つニューラル ネットワークを強調できます。
私たちのメトリクスは、浅い ConvNet と深い ConvNet は EEGNet ファミリーから後で公開されたものよりも優れたパフォーマンスを発揮できるため、研究者はこれらを避けるべきではないことを示しました。

要約(オリジナル)

Most of the Brain-Computer Interface (BCI) publications, which propose artificial neural networks for Motor Imagery (MI) Electroencephalography (EEG) signal classification, are presented using one of the BCI Competition datasets. However, these databases contain MI EEG data from less than or equal to 10 subjects . In addition, these algorithms usually include only bandpass filtering to reduce noise and increase signal quality. In this article, we compared 5 well-known neural networks (Shallow ConvNet, Deep ConvNet, EEGNet, EEGNet Fusion, MI-EEGNet) using open-access databases with many subjects next to the BCI Competition 4 2a dataset to acquire statistically significant results. We removed artifacts from the EEG using the FASTER algorithm as a signal processing step. Moreover, we investigated whether transfer learning can further improve the classification results on artifact filtered data. We aimed to rank the neural networks; therefore, next to the classification accuracy, we introduced two additional metrics: the accuracy improvement from chance level and the effect of transfer learning. The former can be used with different class-numbered databases, while the latter can highlight neural networks with sufficient generalization abilities. Our metrics showed that the researchers should not avoid Shallow ConvNet and Deep ConvNet because they can perform better than the later published ones from the EEGNet family.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google