変分モード分解されたEEGスペクトル画像を使用したモーターの想像上のCNNベースの分類

運動架空の想像力（MI）認識のための効果的な畳み込みニューラルネットワーク（CNN）ベースの分類のためのスペクトル画像を生成することにより、Preprocessing EEGシグナルの新しいアプローチが提案されています。このアプローチでは、EEG信号の変分モード分解（VMD）モードを抽出することが含まれます。このモードでは、すべてのモードの短時間フーリエ変換（STFT）がEEGスペクトル画像を形成するように配置されています。生成されたEEGスペクトル画像は、CNNへの入力画像として提供されます。この研究では、MI分類（EEGNETおよびDEEPCONVNET）の2つの一般的なCNNアーキテクチャとパターン認識のアーキテクチャ（AlexNetとLENET）を使用しています。4つのアーキテクチャの中で、Eegnetは、提案されたアプローチの検証に使用される4つのデータセットで、91.37％、94.41％、85.67％、90.21％の平均精度を提供します。最近の文献の結果と比較して、一貫してより良い結果は、VMD-STFTを使用したEEGスペクトル画像生成がEEGシグナルの時間周波数分析の有望な方法であることを示しています。

A novel approach of preprocessing EEG signals by generating spectrum image for effective Convolutional Neural Network (CNN) based classification for Motor Imaginary (MI) recognition is proposed. The approach involves extracting the Variational Mode Decomposition (VMD) modes of EEG signals, from which the Short Time Fourier Transform (STFT) of all the modes are arranged to form EEG spectrum images. The EEG spectrum images generated are provided as input image to CNN. The two generic CNN architectures for MI classification (EEGNet and DeepConvNet) and the architectures for pattern recognition (AlexNet and LeNet) are used in this study. Among the four architectures, EEGNet provides average accuracies of 91.37%, 94.41%, 85.67% and 90.21% for the four datasets used to validate the proposed approach. Consistently better results in comparison with results in recent literature demonstrate that the EEG spectrum image generation using VMD-STFT is a promising method for the time frequency analysis of EEG signals.