EEG信号分类EEGNet+Transformer

实验数据

每个参与者每12个单词进行25次随机实验，每种情况下总共进行300次试验。 共有13个分类输出，包括12个单词

  • ambulance
  • clock
  • hello
  • help me
  • light
  • pain
  • stop
  • thank you
  • toilet
  • TV
  • water
  • yes
  • resting state

    预处理

    滤波+去基线

    以250Hz对EEG信号进行下采样，每个试验数据进行2秒时间长度的切片。在30–120Hz的high-gamma波段，使用==五阶巴特沃斯滤波器==对EEG信号进行预处理，并通过减去每次试验开始前500 ms的平均值来==校正基线==。

    去伪影

    为了消除口腔周围肌肉活动中的EOG和EMG伪影，我们使用独立分量分析和EOG和肌电图的参考进行伪影消除方法。

    网络结构

    CNN提取时间谱空间信息

    由卷积层和可分离卷积层组成，用于提取时间谱空间信息,分类输出设置为13类。第一层的核大小与数据的采样频率相关，用于执行模拟带通滤波器的时间卷积。训练的损失函数squared hinge loss,五折 交叉验证,训练1000轮epoch Img 将图像==分割==成固定大小的块，线性嵌入每个块，添加==position embeddings==，并将生成的矢量序列馈送到标准==Transformer encoder==。为了执行分类，我们使用标准方法向序列中添加额外的可学习分类标记==class token==。 在之后添加dropout连接LN层接上Transformer Img