[论文解读] Mental Task Classification Using Electroencephalogram Signal

Zeyu Bai, Ruizhi Yang+1 more|arXiv (Cornell University)|Oct 2, 2019

EEG and Brain-Computer Interfaces参考文献 26被引用 38

一句话总结

本文比较基于脑电图的心理任务分类中的CNN、LSTM和GRU架构，并提出一个带CNN解码器的混合LSTM模型，报告该混合模型在验证和测试集上的准确率更高。

ABSTRACT

This paper studies the classification problem on electroencephalogram (EEG) data of mental tasks, using standard architecture of three-layer CNN, stacked LSTM, stacked GRU. We further propose a novel classifier - a mixed LSTM model with a CNN decoder. A hyperparameter optimization on CNN shows validation accuracy of 72% and testing accuracy of 62%. The stacked LSTM and GRU models with FFT preprocessing and downsampling on data achieve 55% and 51% testing accuracy respectively. As for the mixed LSTM model with CNN decoder, validation accuracy of 75% and testing accuracy of 70% are obtained. We believe the mixed model is more robust and accurate than both CNN and LSTM individually, by using the CNN layer as a decoder for following LSTM layers. The code is completed in the framework of Pytorch and Keras. Results and code can be found at https://github.com/theyou21/BigProject.

研究动机与目标

• 使用标准深度学习架构研究基于脑电图的心理任务分类。
• 比较CNN、堆叠LSTM和堆叠GRU在EEG数据上的性能。
• 提出一种带CNN解码器的新型混合LSTM模型以提升准确率。

提出的方法

• 在EEG数据上使用标准的三层CNN、堆叠LSTM和堆叠GRU架构。
• 对EEG信号应用FFT预处理和下采样。
• 提出带CNN解码器的混合LSTM模型并评估性能。
• 对CNN组件进行超参数优化。

实验结果

研究问题

• RQ1 哪种深度学习架构（CNN、LSTM、GRU）在基于EEG的心理任务分类中能获得最高准确率？
• RQ2 相比独立模型，带CNN解码器的混合LSTM模型是否能提高验证和测试性能？
• RQ3 如FFT和下采样等预处理步骤如何影响EEG心理任务分类的模型性能？

主要发现

模型	验证准确率	测试准确率
CNN (with hyperparameter optimization)	72%	62%
堆叠 LSTM（FFT + 下采样）	—	55%
堆叠 GRU（FFT + 下采样）	—	51%
带 CNN 解码器的混合 LSTM	75%	70%

• 带超参数优化的CNN达到72%的验证准确率和62%的测试准确率。
• 带FFT预处理和下采样的堆叠LSTM达到55%的测试准确率。
• 带FFT预处理和下采样的堆叠GRU达到51%的测试准确率。
• 带CNN解码器的混合LSTM模型达到75%的验证准确率和70%的测试准确率。
• 据报道，混合LSTM模型比单独的CNN或LSTM模型更鲁棒且更准确。