[论文解读] FBCNet: A Multi-view Convolutional Neural Network for Brain-Computer Interface

Ravikiran Mane, Effie Chew+6 more|arXiv (Cornell University)|Mar 17, 2021

EEG and Brain-Computer Interfaces参考文献 6被引用 123

一句话总结

FBCNet 引入了一种多视图谱—时空卷积神经网络，配备新颖的 Variance 层用于运动想象 EEG 分类，在 BCIC-IV-2A 上取得了最先进的结果，并在其他数据集上取得显著提升，包括中风患者；源代码可获得。

ABSTRACT

Lack of adequate training samples and noisy high-dimensional features are key challenges faced by Motor Imagery (MI) decoding algorithms for electroencephalogram (EEG) based Brain-Computer Interface (BCI). To address these challenges, inspired from neuro-physiological signatures of MI, this paper proposes a novel Filter-Bank Convolutional Network (FBCNet) for MI classification. FBCNet employs a multi-view data representation followed by spatial filtering to extract spectro-spatially discriminative features. This multistage approach enables efficient training of the network even when limited training data is available. More significantly, in FBCNet, we propose a novel Variance layer that effectively aggregates the EEG time-domain information. With this design, we compare FBCNet with state-of-the-art (SOTA) BCI algorithm on four MI datasets: The BCI competition IV dataset 2a (BCIC-IV-2a), the OpenBMI dataset, and two large datasets from chronic stroke patients. The results show that, by achieving 76.20% 4-class classification accuracy, FBCNet sets a new SOTA for BCIC-IV-2a dataset. On the other three datasets, FBCNet yields up to 8% higher binary classification accuracies. Additionally, using explainable AI techniques we present one of the first reports about the differences in discriminative EEG features between healthy subjects and stroke patients. Also, the FBCNet source code is available at https://github.com/ravikiran-mane/FBCNet.

研究动机与目标

• 由于训练数据有限且高维特征嘈杂，激励 MI-EEG 分类的挑战。
• 提出一种紧凑的 CNN 架构，编码运动意象的神经生理先验。
• 引入一个 Variance 层，以有效提取脑电信号的时间信息。
• 证明在健康人群和中风人群中的分类准确性得到提升。
• 通过可解释的 AI 技术提供对区分性 EEG 特征的可解释洞见。

提出的方法

• 通过将原始 EEG 进行频谱滤波成九个窄带（4-8 Hz 到 36-40 Hz）来建立多视图 EEG 表征。
• 应用 Depthwise Convolution 的空间块，以每个频带固定数量的空间滤波器学习谱-时空模式。
• 引入 Variance 层，对非重叠窗口（w）内的时间方差进行计算，以降低特征维度并强调 ERD/ERS 相关的波动。
• 使用带 softmax 激活的全连接层来获得最终类别概率，并进行权重归一化以实现正则化。
• 使用 Adam 优化器以两阶段方案（训练+验证阶段，然后全量训练）进行端到端训练，并基于验证性能采用早停。

实验结果

研究问题

• RQ1 在训练数据有限的情况下，受神经生理学启发的多视图 CNN 是否能够提升 MI-EEG 分类？
• RQ2 所提出的 Variance 层是否比标准池化在时间特征提取方面更优？
• RQ3 相较于传统机器学习和其他 CNN 架构，FBCNet 在健康人群和慢性中风人群中的表现如何？
• RQ4 使用可解释 AI 可以获得关于健康与中风受试者的区分性 EEG 特征的哪些见解？
• RQ5 FBCNet 对小型训练数据集和个体间变异是否具有鲁棒性？

主要发现

数据集	测试配置	FBCSP-SVM	Deep ConvNet	EEGNet-8,2	FBCNet
BCIC-IV-2A Data	10-fold cross validation	75.89	72.20	73.13	79.03
OpenBMI Data	10-fold cross validation	64.61	68.33	70.89	74.70
Stroke Data: A	10-fold cross validation	71.37	68.81	69.15	79.16
Stroke Data: B	10-fold cross validation	74.14	71.11	73.47	81.11
BCIC-IV-2A Data	Hold out test set	68.06	72.22	73.15	76.20
OpenBMI Data	Hold out test set	60.36	60.77	63.63	67.19

• FBCNet 在 Hold-Out 测试中的 BCIC-IV-2A 上达到 76.20% 的四类准确率，创造了新的最先进水平。
• 在 OpenBMI 和中风数据集上，FBCNet 在二分类准确率方面比具有竞争力的基线高出多达 8%。
• 在所有数据集的交叉验证和 Hold-Out 分析中，FBCNet 一贯优于 FBCSP-SVM、Deep ConvNet 与 EEGNet-8,2。
• 在所有数据集中，Variance 层相比平均池化或最大池化，提供了最佳的时序特征提取。
• FBCNet 对基线准确率较低的受试者显示出更高的实用性，并提升了中风患者的可用性（更多受试者达到 >70% 的准确率）。
• 可解释 AI（DeepLIFT）揭示了健康人群与中风人群在区分性 EEG 特征上的差异。