运动想象 (MI) 迁移学习系列 (14) : EEGNet-Fine tuning

已于 2024-03-21 09:23:56 修改
阅读量1.2k 收藏 18
点赞数 10
分类专栏： 机器视觉 运动想象 脑机接口 文章标签： 迁移学习 人工智能 机器学习 运动想象 python
于 2024-03-21 08:46:51 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_36758270/article/details/136869853
版权
本文探讨了一种基于运动想象（MI）康复的脑机接口（BCI）系统，采用深度学习网络中的EEGNet模型，并通过微调进行迁移学习。研究发现，微调能有效提高脑卒中患者BCI系统的性能，验证了该方法的有效性和鲁棒性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

运动想象迁移学习系列:EEGNet-Fine tuning

论文地址：https://www.nature.com/articles/s41598-021-99114-1#citeas
论文题目：A transfer learning framework based on motor imagery rehabilitation for stroke
论文代码：无

0. 引言

深度学习网络已成功应用于传递函数，使模型可以从源域适应到不同的目标域。本研究利用多个卷积神经网络对脑卒中患者的脑电图（EEG）进行解码，设计有效的运动意象（MI）脑机接口（BCI）系统。这项研究引入了 “微调” 来传输模型参数并减少训练时间。所提出的框架的性能是通过模型的两类MI识别能力来评估的。

总得来说：这是一篇较老的文章，进一步说明了EEGNet模型的普适性与优越性(效果好且稳定)。

1. 主要贡献

  1. 比较多个模型的实验结果，可以推断EEGNet是所有框架中迁移学习的最佳网络模型
了解本专栏 订阅专栏 解锁全文
运动想象 (MI) 迁移学习系列 (4) : EEGNet-Fusion-V2
走在深度学习前沿的小宋
03-10 1383
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。
运动想象 (MI) 迁移学习系列 (3) : MSFT
走在深度学习前沿的小宋
03-09 1295
随着深度学习的普及，基于特征提取器和分类器的运动意象脑电图（MI-EEG）识别表现良好。然而，大多数模型提取的特征没有足够的区分性，仅限于特定主题分类。我们提出了一种新的模型，基于`度量的空间滤波变压器（MSFT）`，该模型利用加性角裕量损失来强制实施深度模型，以提高类间可分离性，同时增强类内的紧凑性。此外，在模型中应用了一种称为脑电图金字塔的数据增强方法。
【脑机接口 算法】EEGNet: 通用神经网络应用于脑电信号
高山
11-08 3669
脑机接口（BCI）使用神经活动作为控制信号，实现与计算机的直接通信。这种神经信号通常是从各种研究透彻的脑电图(EEG)信号中挑选出来的。卷积神经网络（CNN）主要用来自动特征提取和分类，其在计算机视觉和语音识别领域中的使用已经很广泛。CNN已成功应用于基于EEG的BCI；但是，CNN主要应用于单个BCI范式，在其他范式中的使用比较少，论文作者提出是否可以设计一个CNN架构来准确分类来自不同BCI范式的EEG信号，同时尽可能地紧凑（定义为模型中的参数数量）。
eeg2008 competition 2a数据集（运动想象四分类）
10-04
eeg2008 competition 2a数据集（运动想象四分类）eeg2008 competition 2a数据集（运动想象四分类）eeg2008 competition 2a数据集（运动想象四分类）eeg2008 competition 2a数据集（运动想象四分类）
EEGNet：实现高效脑电图分类的深度学习框架
最新发布
gitblog_00458的博客
04-01 735
EEGNet：实现高效脑电图分类的深度学习框架 EEGNet This project focuses on implementing CNN model based on the EEGNet architecture with Pytorch library for classifying motor imagery...
EEGnet模型讲解PPT.pptx
05-25
EEGNet是为专门一般的脑电图识别任务而设计的通用卷积神经网络。 精心画了三种简单清晰的卷积层操作示意图 模型设计思路和MobileNet很像。
EEGNet: 神经网络应用于脑电信号
脑机接口社区
12-11 6070
脑机接口（BCI）使用神经活动作为控制信号，实现与计算机的直接通信。这种神经信号通常是从各种研究透彻的脑电图(EEG)信号中挑选出来的。卷积神经网络（CNN）主要用来自动特征提取和分类，其...
信号处理--使用EEGNet进行BCI脑电信号的分类
张哥频道：电生理信号和磁共振成像
03-24 2788
EEGNet作为一个比较成熟的框架，在BCI众多任务中，表现出不俗的性能。EEGNet 的主要特点包括：1）框架相对比较简单紧凑 2）适合许多的BCI脑电分析任务 3）使用两种卷积 Depth-wise convolution 和 separable convolution 实现普适特征的提取。
文献学习(partX)--A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions
小山羊的学习日志
12-08 290
聚类是一项基本的机器学习任务，在文献中已经被广泛研究. 经典的聚类方法遵循的假设是，通过各种表征学习技术，将数据以矢量的形式表示为特征. 随着数据变得越来越复杂，浅层（传统）聚类方法已经无法处理高维数据类型. 随着深度学习的巨大成功，特别是深度无监督学习，在过去的十年中，许多具有深度架构的表示学习技术被提出. 一个直接的方法是先学习深度表征，然后再将其输入浅层聚类方法。
【迁移学习】Prototypical Cross-domain Self-supervised Learning for Few-shot Unsupervised Domain Adaptation
毛毛的博客
11-25 3666
摘要 无监督域适应(UDA)将预测模型从完全标记的源域转移到无标记的目标域。然而，在某些应用程序中，甚至在源域中收集标签都很昂贵，这使得以前的大多数工作都不切实际。为了解决这个问题，最近的工作执行了基于实例的跨领域自我监督学习，然后是一个额外的微调阶段。然而，实例自监督学习只学习和对齐低层次的判别特征。在本文中，我们提出了一个端到端原型跨域自监督学习(PCS)框架用于小样本无监督域适应(FUDA)。PCS不仅对跨域低级特征对齐，而且对跨域共享嵌入空间中的语义结构进行编码和对齐。我们的框架通过域内原型对比学习
EEGNet: A Compact Convolutional Neural Network for EEG-based Brain-Computer Interfaces 代码推理及实战
SpaceSunflower 's ML/DL home
09-25 1585
EEGNet: A Compact Convolutional Neural Network for EEG-based Brain-Computer Interfaces 代码推理及实战
EEGNET网络实现_脑电分类_神经网络_深度学习_信号处理_believedtep_
09-29
利用EEGNET进行数据分析的代码实例，可用于文本分类，脑电信号处理等
tf_EEGNet:这是EEGNet的张量流实现
05-09
笔记 不能保证所有实现都是正确的，未经原始作者检查，只能从本文描述中重新实现。 原始纸 包含EEGNet的原始论文和模型 tf_EEGNet 这是EEGNet的张量流实现 有关更多信息，请参见 tf_ConvNet 这是ConvNet的tensorflow实现 有关更多信息，请参见 留一题实验 型号：tf_EEGNet BCI_competion 2a的预处理 1. A trial contained 2s and was extraced 0.5s after the cue was given. 2. A 4-38Hz bandpass was done by a causal 6-order Butterworth fliter. 3. The MI dataset was sampled at 250Hz. And it was resampled to 128Hz for E
论文记录1
weixin_39048703的博客
10-06 651
10.6 论文记录 应用深度学习EEGnet处理脑电信号 论文链接：https://arxiv.org/pdf/1611.08024.pdf 本文主要内容： EEGnet论文； EEGnet的实现。 正文部分： 脑机接口（BCI）使用神经活动作为控制信号，实现与计算机的直接通信。这种信号通常是从各种研究透彻的脑电图（EEG）信号中挑选出来的。卷积神经网络（CNN）主要用来自动特征提取分类，其在计算机视觉和语音识别领域中的使用已经很广泛。CNN已成功应用于基于EEG的BCI；但是CNN主要应用于单个BCI
网络模型整理
photo_chip的博客
04-30 805
EEGNet
基于 CNN 的脑机接口：EEGNet 用于基于EEG的脑机接口的紧凑型卷积神经网络
sybh的博客
10-05 457
其中 E G G N e t − 4 , 2 EGGNet-4,2 EGGNet−4,2 表示 F 1 = 4 , D = 2 F_1=4,D=2 F1​=4,D=2，并且 F 2 = F 1 ∗ D F_2=F_1*D F2​=F1​∗D；输出大小为 1 ∗ ( T / / 4 ) ∗ ( D ∗ F 1 ) 1*(T//4)*(D*F_1) 1∗(T//4)∗(D∗F1​)；注意醉作者还使用了最大规范约束： ∣ ∣ W ∣ ∣ 2 < 1 ||W||^2
Matlab搭建EEGNet脑电分类神经网络
Dong的博客
03-01 3165
EEGNet复现
TensorFlow搭建搭建卷积神经网络EEGNet处理脑电数据过程代码
m0_50398796的博客
08-30 3061
TensorFlow搭建搭建卷积神经网络EEGNet处理脑电数据过程代码 脑电信号采集设备是由NT9200-32D型号脑电图仪和NeuSen W系列无线脑电采集系统组成，采集后的信号用Matlab打开，保存在结构体数据中，最开始对数据进行手动分段 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展
eegnet实验复现过程记录
ZG
11-12 887
BCI IV-2a数据集，为运动想象数据集，一共九个被试。每个被试6次run，每次run有48个trail，分为四个类别。通道数为25，三个eog，采样频率为250Hz。点击A01T等开始下载。
KoGPT2-FineTuning：使用KoGPT2技术进行韩国GPT-2的微调
1. KoGPT2-FineTuning-master：指向了一个文件压缩包，包含一个主目录，名称为“KoGPT2-FineTuning-master”，这暗示了该文件包含了一个项目的所有相关文件和代码，这可能是开源项目中常见的组织方式，用户可以下载...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

sjx_alo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值