| 摘 要： | 正常脑电信号由于容易受到多种脑电伪迹的干扰而导致信噪比低,为了提高脑电信号的信噪比,使用一种基于度量的小样本学习模型来检测脑电信号中的伪迹,提出了一种基于原型网络的脑电伪迹识别模型(EEG Artifact Prototype Network,EAPNet)。该模型能够学习一个从EEG特征到目标空间的非线性映射,然后计算每个类原型表示的距离,并按此距离进行分类; 仅需较少数量的数据样本进行训练,就能实现对伪迹的准确识别。最后,在公开的脑电伪迹数据集TUAR(TUH EEG Artifact Corpus)中进行了伪迹识别实验,并将EAPNet模型与2个深度学习模型(EEGNet、全连接神经网络(FNN))及7个机器学习模型(高斯贝叶斯模型(Gaussian NB)、随机森林模型(RF)、逻辑回归模型(LR)、套索回归模型(Lasso)、支持向量机模型(SVM)、岭回归模型(Ridge)和最近邻算法(KNN))进行了对比实验。实验结果显示:(1)EAPNet模型是一种高效的伪迹检测方法:在2-way 1-shot、2-way 5-shot、2-way 10-shot任务中,模型的检测准确率分别为69.44%、77.21%、80.01%。(2)在所有对比模型中,EAPNet模型的识别准确率最高。
|
