本周我阅读了22级学长、学姐的毕设论文。通过对论文的整理分析我了解了这四篇论文的研究方向以及各个方向的不同点。其中我重点看了刘培进学长的论文接下来我将重点分析刘培进学长的论文。研究内容学长的论文主要针对目前脑电信号分类存在的缺陷和相关的技术难点复现了与运动想象和情绪识别相关的 EEG分类开源论文并将其迁移到自有冥想数据集分类上分析其相关特征和最后的分类效果。深度学习模型学长主要使用的是EEGProgress和EmT模型。EEGProgress主要由两个模块组成拓扑排序层和渐进式卷积模块论文中模型示意图如图1所示。图1EmT模型主要由四个部分组成1时间图构建TGC模块、2残差多视图金字塔RMPG模块、3时序上下文构建TCT模块、4任务专用输出TSO模块。论文中EmT网络框架如图2所示。图2实验过程学长主要进行了EEGProgress复现、EmT复现以及冥想数据集迁移实验。学长先进行EEGProgress复习和EmT复现EEGProgress使用BCI-IVa 数据集进行10 折交叉验证、跨被试迁移。 EmT使用SEED/THU-EP/FACED 情绪数据集进行留一被试交叉验证指标 ACCF1。接着学长进行EEGProgress迁移实验被试内四分类同一人区分闲坐 / 散步 / 打坐 / 行禅10 折交叉验证 跨被试二分类两组Idle vs Meditation静息 vs 静态冥想 动态二分类Walking vs Walking Meditation普通行走 vs 行禅跨被试四分类同时区分动静、冥想 / 普通四种状态。然后进行EmT迁移实验跨被试四分类留一被试交叉验证Leave-One-Subject-Out输出 ACC、F1、混淆矩阵额外输出 6 脑区间皮尔逊功能连接热力图解释冥想神经机制。评估指标分类准确率 Accuracy F1 分数 辅助分析工具如混淆矩阵、脑区功能连接热力图。实验结果1EEGProgress 复现10 折平均准确率 81.75%原文 84.26%差距小模型可复现性强2Emt模型在SEED、THU-EP和FACED三个公开数据集上复现的结果有效证明其对于冥想分类的有效性。3迁移到自有冥想数据集上EEGProgress模型在被试内分类实验上具有较好的效果准确率为 88.89%。但是与 EmT 模型一样在跨被试识别方向上效果不理想。