运动想象 (MI) 迁移学习系列 (4) : EEGNet-Fusion-V2

本文主要是介绍运动想象 (MI) 迁移学习系列 (4) : EEGNet-Fusion-V2，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

运动想象迁移学习系列:EEGNet-Fusion-V2

0. 引言
1. 主要贡献
2. 网络结构
3. 实验结果
- 3.1 不同参数的评估
- 3.2 不同参数的评估
- 3.3 与基准模型比较
4. 总结
欢迎来稿

论文地址：https://www.mdpi.com/1424-8220/23/18/7908
论文题目：Excellent fine-tuning: From specific-subject classification to cross-task classification for motor imagery
论文代码：https://github.com/radia-rayan-chowdhury/EEGNet-Fusion-V2

0. 引言

基于脑电图的脑机接口开发的一个重大障碍是与受试者无关的运动图像数据的分类，因为脑电图数据非常个性化。卷积神经网络（CNN）等深度学习技术已经说明了它们对特征提取的影响，以提高分类准确性。在本文中，我们提出了一个多分支（五个分支）二维卷积神经网络，该网络对每个分支都使用多个超参数。所提出的模型在跨学科分类方面取得了可喜的结果，在三个公共数据集上优于EEGNet、ShallowConvNet、DeepConvNet、MMCNN和EEGNet_Fusion。

注意：本文并没有从迁移学习的角度解决问题，而是说模型分类效果较好，有助于更好地迁移学习的意思。本质上还是一个分类学习网络！！！！

1. 主要贡献

提出了一种使用多分支特征融合卷积神经网络模型对运动图像任务进行分类的新方法。
与最先进的模型进行了比较，包括 DeepConvNet、ShallowConvNet、MMCNN、EEGNet 和 EEGNet Fusion

2. 网络结构

EEGNet Fusion V2 在所有五个分支的深度层和可分离层中使用了不同的内核大小和卷积滤波器。融合方法通过聚合来自不同分支的不同预测来帮助减少方差并提高准确性。图 1 说明了所提出的 EEGNet Fusion V2 架构。
在这里插入图片描述
该网络由五个分支组成，每个分支都有输入层、卷积滤波器、深度卷积滤波器和可分离卷积滤波器。此外，平均池化层遵循深度和可分离的卷积滤波器。然后，使用融合层对来自五个分支的特征进行组合，并使用输出层中的softmax激活函数进行最终分类。每个分支中使用不同的内核和过滤器大小。该架构旨在通过处理 EEG 信号来实现 MI 任务的准确分类。红色框表示EEGNet Fusion模型的改进。

3. 实验结果

3.1 不同参数的评估

为了评估该模型，我们进行了五次测试，每次测试都对每个分支中的卷积层使用不同的滤波器尺寸。每个测试中采用的具体过滤器尺寸如下：

测试1：（1,64），（1,128），（1,256），（1,512），（1,1024）;
测试2：（1,64），（1,256），（1,544），（1,512），（1,1024）;
测试3：（1,64），（1,304），（1,544），（1,784），（1,1024）;
测试4：（1,64），（1,80），（1,96），（1,112），（1,128）;
测试 5：（1,64），（1, 96），（1, 128），（1, 192），（1, 256）。

实验结果如下所示：
在这里插入图片描述

3.2 不同参数的评估

为了评估所提出的五分支EEGNet Fusion模型，我们实现了四分支、六分支和七分支EEGNet Fusion模型。这些模型与所提出的五分支模型具有相似的结构，但在分支数量以及内核和过滤器大小方面存在一些变化。实验结果如下所示：
在这里插入图片描述
观察实验结果可以得知，精度一般随着分支数量的增加而增加。具体来说，从三个分支到四个分支，从四个分支到五个分支时，准确性有了明显的提高。然而，尽管六分支和七分支模型需要每个样本的计算时间明显更高，但五分支、六分支和七分支模型的精度非常接近。基于这些发现，我们决定将五分支模型作为所提出的模型。与六分支模型和七分支模型相比，五分支模型在精度和计算时间之间提供了良好的平衡。