Reduktion der Dimensionalität und Klassifizierung von EEG-Signalen mittels Tensorzerlegung und tiefer konvolutiver Neuronalen Netze

Ein neues tiefes Lernverfahren-basiertes Analyseframework für Elektroenzephalographie (EEG)-Signale wird vorgeschlagen. Obwohl tiefe neuronale Netze, insbesondere Faltungsneuronale Netze (CNNs), in letzter Zeit erhebliche Aufmerksamkeit erhalten haben, leiden sie immer noch unter der hohen Dimensionalität der Trainingsdaten. Zwei-dimensionale Eingabebilder von CNNs sind gegenüber den ein-dimensionalen Eingabezustandsreihen konventioneller Neuronalenetze anfälliger für Redundanz. In dieser Studie schlagen wir ein neues Framework zur Dimensionsreduktion vor, das auf der Tensorzerlegung der Zeit-Frequenz-Darstellung von EEG-Signalen basiert. Der vorgeschlagene Algorithmus zur Dimensionsreduktion durch Tensorzerlegung transformiert eine große Anzahl von Sektionen des Eingabetensors in eine präzise Menge von Sektionen, die als Super-Sektionen bezeichnet werden. Die Verwendung von Super-Sektionen reduziert nicht nur die Artefakte und Redundanzen der EEG-Daten, sondern auch die Dimensionalität der Trainingsdaten für CNNs. Wir betrachten zudem verschiedene Methoden zur Zeit-Frequenz-Darstellung für die Erzeugung von EEG-Bildern und liefern einen umfassenden Vergleich dieser Methoden. Unser vorgeschlagenes Framework wurde anhand der HCB-MIT-Daten getestet, und die Ergebnisse zeigen, dass unser Ansatz anderen früheren Studien überlegen ist.