Réduction de la dimensionalité et classification des signaux EEG à l'aide de décompositions tensorielles et de réseaux neuronaux convolutifs profonds

Un nouveau cadre d'analyse des signaux d'électroencéphalographie (EEG) basé sur l'apprentissage profond est proposé. Bien que les réseaux neuronaux profonds, en particulier les réseaux de neurones convolutifs (CNN), aient suscité une attention remarquable ces derniers temps, ils souffrent encore de la haute dimensionalité des données d'entraînement. Les images d'entrée bidimensionnelles des CNN sont plus vulnérables à la redondance par rapport aux séries temporelles unidimensionnelles des réseaux neuronaux conventionnels. Dans cette étude, nous proposons un nouveau cadre de réduction de dimensionnalité pour diminuer la dimension des entrées des CNN, basé sur la décomposition tensorielle de la représentation temps-fréquence des signaux EEG. L'algorithme de réduction de dimensionnalité basé sur la décomposition tensorielle proposé transforme un grand ensemble de tranches du tenseur d'entrée en un ensemble concis de tranches appelées super-tranches. L'utilisation de super-tranches permet non seulement de gérer les artefacts et les redondances des données EEG, mais aussi de réduire la dimension des entrées d'entraînement des CNN. Nous examinons également différentes méthodes de représentation temps-fréquence pour la génération d'images EEG et fournissons une comparaison exhaustive entre elles. Nous testons notre cadre proposé sur les données HCB-MIT et, comme le montrent les résultats, notre approche surpasses les autres études précédentes.