Subject-Independent Deep Architecture for EEG-based Motor Imagery Classification

📄 arXiv: 2402.09438v1 📥 PDF

作者: Shadi Sartipi, Mujdat Cetin

分类: eess.SP, cs.LG

发布日期: 2024-01-27

💡 一句话要点

提出一种无关主体的深度架构以解决EEG运动想象分类问题

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

关键词: 脑电图 运动想象 脑机接口 深度学习 半监督学习 特征提取 分类器设计

📋 核心要点

  1. 现有EEG运动想象分类方法在不同个体间存在异质性，且标记数据不足，导致分类性能受限。
  2. 本文提出的无关主体半监督深度架构（SSDA）结合无监督特征提取与监督分类，旨在提高分类的泛化能力。
  3. 实验结果显示，SSDA在两个基准EEG-MI任务数据集上超越了现有最先进的方法，少量标记样本也能实现良好性能。

📝 摘要（中文）

基于脑电图（EEG）的运动想象（MI）分类是非侵入式脑机接口（BCI）系统中广泛使用的技术。由于EEG记录在不同个体之间存在异质性以及标记数据不足，设计一种能够在有限标记样本下独立于主体进行MI分类的分类器显得尤为重要。为此，本文提出了一种新颖的无关主体半监督深度架构（SSDA），该架构由无监督和监督两个部分组成。无监督部分通过列状时空自编码器（CST-AE）提取潜在特征，而监督部分则基于标记样本学习分类器。实验结果表明，SSDA在未见过的测试主体上表现优于现有方法，且少量标记样本即可实现强分类性能。

🔬 方法详解

问题定义：本文旨在解决EEG运动想象分类中由于个体差异和标记数据不足导致的分类性能问题。现有方法往往依赖于大量标记样本，难以适应不同主体的EEG数据。

核心思路：提出的无关主体半监督深度架构（SSDA）通过结合无监督特征提取和监督学习，利用多个主体的标记和未标记样本来提高分类性能，旨在实现主体无关的分类能力。

技术框架：SSDA由两个主要部分组成：无监督部分（列状时空自编码器CST-AE）用于提取潜在特征，监督部分则基于这些特征学习分类器。整个模型采用端到端的优化方式。

关键创新：SSDA的核心创新在于结合了无监督和监督学习的优势，特别是通过中心损失函数来最小化同类样本在嵌入空间中的距离，从而增强了分类器的判别能力。

关键设计：模型中采用了列状时空自编码器进行特征提取，并通过维度缩放方法减少表示的维度，同时保持其可区分性。监督部分则利用标记样本进行分类学习，并引入中心损失以优化嵌入空间。整体架构在训练过程中实现了无缝衔接。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，SSDA在未见过的测试主体上表现优于现有最先进的方法，具体而言，在两个基准EEG-MI任务数据集上，SSDA的分类性能显著提升，少量标记样本也能实现强分类效果，展示了其在实际应用中的潜力。

🎯 应用场景

该研究的潜在应用领域包括脑机接口（BCI）、康复医学和神经科学等。通过提高EEG运动想象分类的准确性，能够为残疾人士提供更有效的辅助技术，推动人机交互的进步。此外，该方法的泛化能力也为未来的个性化医疗提供了可能的解决方案。

📄 摘要（原文）

Motor imagery (MI) classification based on electroencephalogram (EEG) is a widely-used technique in non-invasive brain-computer interface (BCI) systems. Since EEG recordings suffer from heterogeneity across subjects and labeled data insufficiency, designing a classifier that performs the MI independently from the subject with limited labeled samples would be desirable. To overcome these limitations, we propose a novel subject-independent semi-supervised deep architecture (SSDA). The proposed SSDA consists of two parts: an unsupervised and a supervised element. The training set contains both labeled and unlabeled data samples from multiple subjects. First, the unsupervised part, known as the columnar spatiotemporal auto-encoder (CST-AE), extracts latent features from all the training samples by maximizing the similarity between the original and reconstructed data. A dimensional scaling approach is employed to reduce the dimensionality of the representations while preserving their discriminability. Second, a supervised part learns a classifier based on the labeled training samples using the latent features acquired in the unsupervised part. Moreover, we employ center loss in the supervised part to minimize the embedding space distance of each point in a class to its center. The model optimizes both parts of the network in an end-to-end fashion. The performance of the proposed SSDA is evaluated on test subjects who were not seen by the model during the training phase. To assess the performance, we use two benchmark EEG-based MI task datasets. The results demonstrate that SSDA outperforms state-of-the-art methods and that a small number of labeled training samples can be sufficient for strong classification performance.