Spatiotemporal Pooling on Appropriate Topological Maps Represented as Two-Dimensional Images for EEG Classification

📄 arXiv: 2403.04353v1 📥 PDF

作者: Takuto Fukushima, Ryusuke Miyamoto

分类: cs.CV

发布日期: 2024-03-07

💡 一句话要点

提出基于EEG信号的运动想象分类新方法以提升准确率

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 脑电图 运动想象 深度学习 时空池化 特征提取 脑机接口 分类算法

📋 核心要点

  1. 现有的EEG信号分类方法在运动想象任务中准确率不足，亟需改进以提高脑机接口的实用性。
  2. 本研究提出通过t-SNE生成拓扑图、使用InternImage提取特征及时空池化的创新方法，以提升分类性能。
  3. 实验结果显示，该方法在不同类别的运动想象任务中均取得了显著的分类准确率提升，验证了其有效性。

📝 摘要（中文）

基于脑电图（EEG）信号的运动想象分类是脑机接口应用中的重要任务，但仍需进一步改进。本研究提出了一种新颖的EEG运动想象分类方法，具有三个关键特征：通过t-SNE生成的二维图像表示的拓扑图、使用InternImage提取空间特征，以及受PoolFormer启发的时空池化方法，以挖掘EEG图像序列中隐含的时空信息。实验结果表明，该方法在PhysioNet EEG运动运动/想象数据集上实现了最佳分类准确率，分别为88.57%、80.65%和70.17%在二类、三类和四类运动想象任务中，验证了其有效性。

🔬 方法详解

问题定义：本论文旨在解决基于EEG信号的运动想象分类准确率低的问题。现有方法在提取EEG信号中的有效信息时存在局限性，导致分类效果不佳。

核心思路：论文提出的核心思路是通过生成二维图像表示的拓扑图来更好地捕捉EEG信号的空间特征，并结合时空池化方法来挖掘信号序列中的时空信息，从而提高分类准确率。

技术框架：整体架构包括三个主要模块：首先，通过t-SNE对EEG信号进行坐标变换，生成拓扑图；其次，利用InternImage提取空间特征；最后，采用时空池化方法整合时空信息，进行分类。

关键创新：最重要的技术创新在于将拓扑图与时空池化相结合，形成了一种新的特征提取和分类框架。这种方法与传统的EEG信号处理方法在特征提取和信息整合上有本质区别。

关键设计：在设计中，采用了t-SNE进行坐标变换，确保生成的拓扑图能够有效反映EEG信号的特征；InternImage用于空间特征提取，增强了模型的表达能力；时空池化则通过动态整合时序信息，提升了分类性能。具体的损失函数和网络结构细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提方法在PhysioNet EEG运动运动/想象数据集上实现了最佳分类准确率，分别为88.57%、80.65%和70.17%在二类、三类和四类运动想象任务中，相较于现有方法有显著提升，验证了其有效性。

🎯 应用场景

该研究的潜在应用领域包括脑机接口、康复医学和神经科学等。通过提高运动想象分类的准确性，可以为残疾人提供更有效的辅助设备，改善其生活质量。此外，该方法也可用于脑电图信号的其他分类任务，具有广泛的实际价值和未来影响。

📄 摘要（原文）

Motor imagery classification based on electroencephalography (EEG) signals is one of the most important brain-computer interface applications, although it needs further improvement. Several methods have attempted to obtain useful information from EEG signals by using recent deep learning techniques such as transformers. To improve the classification accuracy, this study proposes a novel EEG-based motor imagery classification method with three key features: generation of a topological map represented as a two-dimensional image from EEG signals with coordinate transformation based on t-SNE, use of the InternImage to extract spatial features, and use of spatiotemporal pooling inspired by PoolFormer to exploit spatiotemporal information concealed in a sequence of EEG images. Experimental results using the PhysioNet EEG Motor Movement/Imagery dataset showed that the proposed method achieved the best classification accuracy of 88.57%, 80.65%, and 70.17% on two-, three-, and four-class motor imagery tasks in cross-individual validation.