[论文解读] Enhancing Mind Controlled Smart Living Through Recurrent Neural Networks.

Xiang Zhang, Lina Yao+3 more|arXiv (Cornell University)|Feb 20, 2017

EEG and Brain-Computer Interfaces被引用 4

一句话总结

本文提出一种包含两个LSTM层的7层深度学习模型，直接对原始脑电信号进行分类，实现意念控制的智能家居应用，避免了人工特征提取。通过正交实验设计进行超参数调优，在PhysioNet脑电信号数据集上达到95.05%的准确率，证明了其在辅助机器人和家庭自动化中的可行性。

ABSTRACT

While smart living based on the controls of voices, gestures, mobile phones or the Web has gained momentum from both academia and industries, most of existing methods are not effective in helping the elderly or people with muscle disordered or motor disabilities. Recently, the Electroencephalography (EEG) signal based mind control has attracted much attentions, due to the fact that it enables users to control devices and to communicate to outer world with little participation of their muscle systems. However, the use of EEG signals face challenges such as low accuracy, arduous and time-consuming feature extraction. This paper proposes a 7-layer deep learning model that includes two layers of Long-Short Term Memory (LSTM) cells to directly classify raw EEG signals, avoiding the time-consuming pre-processing and feature extraction. The hyper-parameters are selected by an Orthogonal Array experiment method to improve the efficiency. Our model is applied to an open EEG dataset released by PhysioNet and achieves 95.05% accuracy over 5 categorical EEG raw data. The applicability of our proposed model is further demonstrated by two use cases of smart living in terms of assisted living with robotics and home automation.

研究动机与目标

• 解决现有语音、手势和移动设备驱动的智能家居系统在老年人和运动功能障碍人群中的局限性。
• 克服基于脑电信号的意念控制所面临的低准确率和耗时的特征提取等挑战。
• 开发一种端到端的深度学习模型，直接对原始脑电信号进行分类，无需预处理或人工特征工程。
• 利用正交实验设计方法高效优化超参数，提升模型训练效率。
• 在真实世界的智能家居场景中，如机器人辅助生活和家庭自动化，展示模型的实际应用潜力。

提出的方法

• 设计一种包含两个长短期记忆（LSTM）层的7层深度神经网络架构，以捕捉原始脑电信号中的时间依赖性。
• 直接将未经处理的原始脑电信号输入模型，消除对人工特征提取和预处理步骤的需求。
• 应用正交实验设计方法系统性地选择最优超参数，提升训练效率和模型性能。
• 在PhysioNet的开源脑电信号数据集上训练模型，以5类脑电信号分类作为主要任务。
• 利用LSTM的序列建模能力，捕捉脑电信号中的长期时间模式，以提升分类性能。
• 使用标准分类指标对模型性能进行验证，包括测试集上的准确率。

实验结果

研究问题

• RQ1 深度学习模型能否直接对原始脑电信号实现高准确率分类，从而无需人工特征提取？
• RQ2 正交实验设计方法在优化脑电信号分类模型的超参数方面效果如何？
• RQ3 基于7层LSTM架构在公开数据集的原始脑电信号上可达到何种分类准确率？
• RQ4 所提出的模型能否有效应用于家庭自动化和机器人辅助等真实世界的智能家居应用？
• RQ5 该模型在运动功能障碍或老年人用户等辅助场景下对脑电信号的分类表现如何？

主要发现

• 所提出的深度学习模型在PhysioNet的5类原始脑电信号数据集上实现了95.05%的分类准确率。
• 该模型通过直接使用原始脑电信号作为输入，成功绕过了传统预处理和特征提取步骤。
• 正交实验设计方法有效优化了超参数，提升了训练效率和模型收敛性。
• 该模型在跨多个受试者的多样化脑电信号模式分类中表现出良好的泛化能力和鲁棒性。
• 两个实际应用场景——机器人辅助生活和家庭自动化——成功证明了该模型在智能家居环境中的实际应用价值。
• 结果表明，采用LSTM的端到端深度学习是实现意念控制智能家居系统的可行且高准确率的方法。