[论文解读] Light-Weight 1-D Convolutional Neural Network Architecture for Mental Task Identification and Classification Based on Single-Channel EEG

Manali Saini, Udit Satija+1 more|arXiv (Cornell University)|Dec 12, 2020

EEG and Brain-Computer Interfaces参考文献 42被引用 5

一句话总结

本文提出一种轻量级一维卷积神经网络（1D-CNN）架构，用于使用单通道脑电信号实现实时精神任务分类，无需人工特征工程和伪迹抑制。该方法在公开数据集和自研数据集上实现了高达99.7%的受试者无关准确率，表现出对噪声的高度鲁棒性，并在不同受试者间具有出色的泛化能力。

ABSTRACT

Mental task identification and classification using single/limited channel(s) electroencephalogram (EEG) signals in real-time play an important role in the design of portable brain-computer interface (BCI) and neurofeedback (NFB) systems. However, the real-time recorded EEG signals are often contaminated with noises such as ocular artifacts (OAs) and muscle artifacts (MAs), which deteriorate the hand-crafted features extracted from EEG signal, resulting inadequate identification and classification of mental tasks. Therefore, we investigate the use of recent deep learning techniques which do not require any manual feature extraction or artifact suppression step. In this paper, we propose a light-weight one-dimensional convolutional neural network (1D-CNN) architecture for mental task identification and classification. The robustness of the proposed architecture is evaluated using artifact-free and artifact-contaminated EEG signals taken from two publicly available databases (i.e, Keirn and Aunon ($K$) database and EEGMAT ($E$) database) and in-house ($R$) database recorded using single-channel neurosky mindwave mobile 2 (MWM2) EEG headset in performing not only mental/non-mental binary task classification but also different mental/mental multi-tasks classification. Evaluation results demonstrate that the proposed architecture achieves the highest subject-independent classification accuracy of $99.7\%$ and $100\%$ for multi-class classification and pair-wise mental tasks classification respectively in database $K$. Further, the proposed architecture achieves subject-independent classification accuracy of $99\%$ and $98\%$ in database $E$ and the recorded database $R$ respectively. Comparative performance analysis demonstrates that the proposed architecture outperforms existing approaches not only in terms of classification accuracy but also in robustness against artifacts.

研究动机与目标

• 开发一种基于单通道脑电信号实现实时、便携的精神任务识别脑机接口（BCI）系统。
• 克服在脑电信号中存在眼动和肌电伪迹时手工设计特征的局限性。
• 通过深度学习技术消除对手动特征提取和伪迹抑制的需求。
• 评估模型在不同脑电数据库和受试者之间的鲁棒性与泛化能力。
• 实现低延迟、高准确率的分类，适用于实时神经反馈应用。

提出的方法

• 设计了一种轻量级一维卷积神经网络架构，包含两层卷积层（Conv1D）、最大池化层和全连接层，用于端到端分类。
• 模型直接处理原始单通道脑电信号，无需预处理或人工特征提取。
• 可视化Conv1D和MaxPool1D层的特征图，以解释不同精神任务下学习到的判别性模式。
• 采用随机梯度下降进行端到端训练，输出层使用Softmax函数，支持多分类与二分类任务。
• 通过在EEGMAT上训练并在自研数据上测试，验证模型的受试者适应能力，表明其在不同受试者间的泛化性能。
• 在三个数据集上评估性能：Keirn & Aunon（K）、EEGMAT（E）和自研数据（R），使用10秒脑电段进行分析。

实验结果

研究问题

• RQ1 轻量级一维卷积神经网络是否能在无需人工特征提取或伪迹抑制的情况下实现高精度的精神任务分类？
• RQ2 与传统手工设计特征方法相比，所提出模型在受伪迹污染的脑电信号上的表现如何？
• RQ3 该架构在多个脑电数据库上的受试者无关分类准确率是多少？
• RQ4 模型是否能在无需微调的情况下在不同受试者和数据集上实现良好泛化？
• RQ5 该模型在适用于实时脑机接口系统的短时脑电信号段上的表现如何？

主要发现

• 所提出的1D-CNN在Keirn & Aunon（K）数据库中，对所有二分类任务对（BT-MT、BT-LT、BT-RT、MT-LT、MT-RT、LT-RT）均实现了100%的受试者无关分类准确率。
• 在K数据库中，模型在多分类精神任务分类任务中实现了99.7%的平均准确率。
• 在EEGMAT（E）数据库中，模型在BT-ST分类任务中实现了99%的受试者无关准确率。
• 在自研（R）数据库中，模型在BT-ST分类任务中实现了98%的受试者无关准确率。
• 模型表现出对伪迹的强鲁棒性，在准确率和抗噪能力方面均优于传统方法。
• 通过在EEGMAT上训练并在自研数据上测试，验证了受试者适应能力，准确率达97%，表明模型在不同受试者间具有出色的泛化能力。