Sur les modèles d'apprentissage profond pour l'interface cerveau-ordinateur (BCI) basée sur l'EEG utilisant l'imagerie motrice

L'interface cerveau-ordinateur (BCI) basée sur l'imagerie motrice (MI) est un paradigme BCI important qui nécessite des classificateurs puissants. Le développement récent de la technologie d'apprentissage profond a suscité un intérêt considérable pour l'utilisation de l'apprentissage profond pour la classification et a abouti à plusieurs modèles. Trouver les meilleurs modèles parmi eux serait bénéfique pour concevoir de meilleurs systèmes BCI et classificateurs à l'avenir. Cependant, il est difficile de comparer directement les performances de divers modèles à travers les publications originales, car les ensembles de données utilisés pour tester les modèles sont différents les uns des autres, trop petits, ou même pas disponibles publiquement. Dans ce travail, nous avons sélectionné cinq modèles de classification profonde MI-EEG proposés récemment : EEGNet, Shallow & Deep ConvNet, MB3D et ParaAtt, et les avons testés sur deux grandes bases de données disponibles publiquement avec 42 et 62 sujets humains. Nos résultats montrent que les modèles ont performé de manière similaire sur un ensemble de données alors qu'EEGNet a obtenu les meilleures performances sur le second avec un coût d'entraînement relativement faible en utilisant les paramètres que nous avons évalués.