دانلود مقاله ارتباط سخنرانی شنیداری با EEG
خلاصه
1. معرفی
2. روش
3. آزمایشات
4. نتیجه گیری
5. مراجع
ABSTRACT
1. INTRODUCTION
2. METHODOLOGY
3. EXPERIMENTS
4. CONCLUSION
5. REFERENCES
چکیده
الکتروانسفالوگرافی (EEG) نقش حیاتی در تشخیص چگونگی پاسخ مغز به محرک های مختلف دارد. در این مقاله، ما یک شبکه جدید مبتنی بر توجه عمیق کم عمق (SDANet) برای طبقه‌بندی محرک شنیداری صحیح که سیگنال EEG را برمی‌انگیزد پیشنهاد می‌کنیم. این ماژول همبستگی مبتنی بر توجه (ACM) را برای کشف ارتباط بین گفتار شنیداری و EEG از جنبه جهانی، و ماژول طبقه‌بندی شباهت کم عمق (SDSCM) برای تصمیم‌گیری در مورد نتیجه طبقه‌بندی از طریق تعبیه‌های آموخته‌شده از لایه‌های کم عمق و عمیق استفاده می‌کند. علاوه بر این، استراتژی‌های آموزشی مختلف و تقویت داده‌ها برای تقویت استحکام مدل استفاده می‌شود. آزمایش‌ها بر روی مجموعه داده ارائه شده توسط چالش EEG شنیداری (ICASSP Signal Processing Grand Challenge 2023) انجام می‌شود. نتایج نشان می‌دهد که مدل پیشنهادی نسبت به خط پایه در مسیر تطابق-ناسازگاری سود قابل‌توجهی دارد.
ABSTRACT
Electroencephalography (EEG) plays a vital role in detecting how brain responses to different stimulus. In this paper, we propose a novel Shallow-Deep Attention-based Network (SDANet) to classify the correct auditory stimulus evoking the EEG signal. It adopts the Attention-based Correlation Module (ACM) to discover the connection between auditory speech and EEG from global aspect, and the Shallow-Deep Similarity Classification Module (SDSCM) to decide the classification result via the embeddings learned from the shallow and deep layers. Moreover, various training strategies and data augmentation are used to boost the model robustness. Experiments are conducted on the dataset provided by Auditory EEG challenge (ICASSP Signal Processing Grand Challenge 2023). Results show that the proposed model has a significant gain over the baseline on the match-mismatch track.
INTRODUCTION
ICASSP 2023 Auditory EEG Challenge is designed to explore the relationship between auditory stimulus and evoked EEG signal. In this paper, we mainly focus on the first (match-mismatch) task. Traditional methods [1] adopt the linear model to fit the feature transform from the stimulus to the EEG signal. Recently, deep learning based methods have been proposed to improve the performance of relating speech with EEG signal[2, 3], where the feature transform modules are replaced by long context model, such as long short-term memory (LSTM), stacked dilated Convolutional blocks, etc.
CONCLUSION
The objective of the study is to learn the relationship between auditory stimulus and EEG. We propose a SDANet model with ACM and SDSCM to increase the crossing linkages rather than treating them separately. Results show that our model improves the classification accuracy effectively.