摘要
提出了一种基于深度学习的脑电图（EEG）信号分析新框架。尽管深度神经网络，特别是卷积神经网络（CNNs），近年来受到了广泛关注，但它们仍然面临着训练数据高维度的问题。与传统神经网络的一维输入时间序列相比，CNNs的二维输入图像更容易出现冗余。在本研究中，我们提出了一种新的降维框架，通过EEG信号的时间-频率表示的张量分解来降低CNN输入的维度。所提出的基于张量分解的降维算法将输入张量的大组切片转换为一组简洁的切片，称为超切片。使用超切片不仅能够处理EEG数据中的伪迹和冗余问题，还能减少CNN训练输入的维度。我们还考虑了不同的时间-频率表示方法用于生成EEG图像，并对这些方法进行了全面比较。我们在HCB-MIT数据集上测试了所提出的框架，结果显示我们的方法优于以往的研究。