CWT-Transfer学习在EEG眨眼信号分类中的应用研究

本文主要探讨了利用脑电图(EEG)眨眼信号进行分类的研究，研究中采用了一种结合连续小波变换(CWT)和迁移学习的流水线方法，特别是利用ResNet系列模型进行特征提取，之后用支持向量机(SVM)进行分类。这项工作在大学研究实验室环境下进行，对于脑-机接口(BCI)技术的发展具有重要意义，特别是在帮助中风后患者恢复日常生活能力方面。 在脑-机接口技术中，EEG信号的分析是一个核心环节。EEG是一种非侵入性的方法，能够记录大脑皮层的电活动，用于识别不同类型的脑部状态，如眨眼、注意力集中、放松等。眨眼事件在EEG信号中具有独特的特征，可以被用于各种应用，例如监测疲劳或作为BCI的控制信号。 在本研究中，研究人员采用了CWT对原始EEG信号进行预处理和特征提取。连续小波变换是一种强大的工具，它可以提供多尺度的信号分析，有助于揭示EEG信号中的瞬态变化和频率成分，这对于识别眨眼事件特别有用。 接下来，研究使用了迁移学习的概念，特别是ResNet系列深度学习模型（ResNet50V2, ResNet101V2, ResNet152V2）来进一步提取EEG信号的高级特征。这些预训练模型已经在大规模图像识别任务上进行了训练，能够捕捉复杂的模式，将其应用于EEG信号分析可以提高特征提取的效率和准确性。 之后，通过微调支持向量机(SVM)进行分类。SVM是一种广泛用于分类任务的监督学习算法，尤其适合处理小样本和高维数据。微调意味着将ResNet提取的特征输入到SVM中进行优化，以适应特定的眨眼信号分类任务。 实验结果显示，ResNet152V2-SVM流水线在训练、测试和验证数据集上都表现出了高准确性。这表明结合CWT和深度学习的迁移学习策略在EEG眨眼信号分类中具有优越性能，可能为BCI系统的设计提供更高效、更准确的方法。 此外，这项研究还强调了在马来西亚的多个大学研究实验室中进行的合作，这体现了跨机构合作在推动科学研究和技术发展中的价值。开放获取的出版方式也使得研究成果能够更广泛地被研究社区和潜在的实践者访问和应用。 这篇论文展示了如何利用现代机器学习技术，尤其是深度学习和迁移学习，来改进EEG信号处理和眨眼事件的检测，这对于开发更智能、更人性化的脑-机接口系统具有重要启示。未来的研究可能会探索更多深度学习模型，优化特征提取和分类过程，以进一步提升BCI的性能和实用性。