[1]
HOSSEINU M P, HOSSEINI A, AHI K A review on machine learning for EEG signal processing in bioengineering
[J]. IEEE Reviews in Biomedical Engineering , 2020 , 14 : 204 - 218
[本文引用: 1]
[2]
JIANG X, BIAN G B, TIAN Z Removal of artifacts from EEG signals: a review
[J]. Sensors , 2019 , 19 (5 ): 987
DOI:10.3390/s19050987
[本文引用: 2]
[3]
ZHANG X, YAO L, WANG X, et al. A survey on deep learning based brain computer interface: recent advances and new frontiers [EB/OL]. [2019-05-10]. https://arxiv.org/pdf/1905.04149.
[本文引用: 2]
[4]
OKAMOTO M, DAN H, SAKAMOTO K, et al Three-dimensional probabilistic anatomical cranio-cerebral correlation via the international 10–20 system oriented for transcranial functional brain mapping
[J]. Neuroimage , 2004 , 21 (1 ): 99 - 111
DOI:10.1016/j.neuroimage.2003.08.026
[本文引用: 1]
[5]
O'REILLY C, GOSSELIN N, CARRIER J, et al Montreal archive of sleep studies: an open-access resource for instrument benchmarking and exploratory research
[J]. Journal of Sleep Research , 2014 , 23 (6 ): 628 - 635
DOI:10.1111/jsr.12169
[本文引用: 1]
[6]
GOLDBERGER A L, AMARAL L A N, GLASS L, et al PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals
[J]. Circulation , 2000 , 101 (23 ): e215 - e220
[本文引用: 1]
[7]
ZHENG W L, LIU W, LU Y, et al Emotionmeter: a multimodal framework for recognizing human emotions
[J]. IEEE Transactions on Cybernetics , 2019 , 49 (3 ): 1110 - 1122
DOI:10.1109/TCYB.2018.2797176
[本文引用: 1]
[8]
KOELSTRA S, MUHL C, SOLEYMANI M, et al Deap: a database for emotion analysis; using physiological signals
[J]. IEEE Transactions on Affective Computing , 2012 , 3 (1 ): 18 - 31
DOI:10.1109/T-AFFC.2011.15
[本文引用: 1]
[9]
ZHAO Q, ZHANG L. Temporal and spatial features of single-trial EEG for brain-computer interface [EB/OL]. [2023-10-01]. https://doi.org/10.1155/2007/37695.
[本文引用: 1]
[10]
MOHANTY R, SETHARES W A, NAIR V A, et al Rethinking measures of functional connectivity via feature extraction
[J]. Scientific Reports , 2020 , 10 (1 ): 1298
DOI:10.1038/s41598-020-57915-w
[本文引用: 1]
[11]
SALIS C I, MALISSOYAS A E, BIZOPOULOS P A, et al. Denoising simulated EEG signals: a comparative study of EMD, wavelet transform and Kalman filter [C]// 13th IEEE International Conference on BioInformatics and BioEngineering . Los Alamitos: IEEE, 2013: 1-4.
[本文引用: 1]
[12]
ZHANG H, ZHAO M, WEI C, et al EEGdenoisenet: a benchmark dataset for deep learning solutions of EEG denoising
[J]. Journal of Neural Engineering , 2021 , 18 (5 ): 056057
DOI:10.1088/1741-2552/ac2bf8
[本文引用: 2]
[13]
BROPHY E, REDMOND P, FLEURY A, et al Denoising EEG signals for real-world BCI applications using GANs
[J]. Frontiers in Neuroergonomics , 2022 , 2 : 44
[本文引用: 2]
[14]
AN Y, LAM H K, LING S H Auto-denoising for EEG signals using generative adversarial network
[J]. Sensors , 2022 , 22 (5 ): 1750
DOI:10.3390/s22051750
[本文引用: 2]
[15]
MASHHADI N, KHUZANI A Z, HEIDARI M, et al. Deep learning denoising for EOG artifacts removal from EEG signals [C]// IEEE Global Humanitarian Technology Conference . Seattle: IEEE, 2020: 1-6.
[本文引用: 1]
[16]
SAWANGJAI P, TRAKULRUANGROJ M, BOONNAG C, et al EEGANet: removal of ocular artifacts from the EEG signal using generative adversarial networks
[J]. IEEE Journal of Biomedical and Health Informatics , 2021 , 26 (10 ): 4913 - 4924
[本文引用: 1]
[17]
ZHANG H, WEI C, ZHAO M, et al. A novel convolutional neural network model to remove muscle artifacts from EEG [C]// IEEE International Conference on Acoustics, Speech and Signal Processing . Toronto: IEEE, 2021: 1265-1269.
[本文引用: 1]
[19]
HARTMANN K G, SCHIRRMEISTER R T, BALL T. EEG-GAN: generative adversarial networks for electroencephalograhic (EEG) brain signals [EB/OL]. (2018-06-05)[2023-10-01]. https://arxiv.org/pdf/1905.04149.
[本文引用: 2]
[20]
CORLEY I A, HUANG Y. Deep EEG super-resolution: upsampling EEG spatial resolution with generative adversarial networks [C]// IEEE EMBS International Conference on Biomedical and Health Informatics . Las Vegas: IEEE, 2018: 100-103.
[本文引用: 2]
[21]
LUO T, FAN Y, CHEN L, et al EEG signal reconstruction using a generative adversarial network with Wasserstein distance and temporal-spatial-frequency loss
[J]. Frontiers in Neuroinformatics , 2020 , 14 : 15
DOI:10.3389/fninf.2020.00015
[本文引用: 1]
[22]
ANTONIADES A, SPYROU L, MARTIN-LOPEZ D, et al Deep neural architectures for mapping scalp to intracranial EEG
[J]. International Journal of Neural Systems , 2018 , 28 (8 ): 1850009
DOI:10.1142/S0129065718500090
[本文引用: 2]
[23]
HU M, CHEN J, JIANG S, et al E2SGAN: EEG-to-SEEG translation with generative adversarial networks
[J]. Frontiers in Neuroscience , 2022 , 16 : 971829
DOI:10.3389/fnins.2022.971829
[本文引用: 2]
[24]
TSIOURIS Κ Μ, PEZOULAS V C, ZERVAKIS M, et al A long short-term memory deep learning network for the prediction of epileptic seizures using EEG signals
[J]. Computers in Biology and Medicine , 2018 , 99 : 24 - 37
DOI:10.1016/j.compbiomed.2018.05.019
[本文引用: 2]
[25]
EL-FIQI H, KASMARIK K, BEZERIANOS A, et al. Gate-layer autoencoders with application to incomplete EEG signal recovery [C]// International Joint Conference on Neural Networks . Budapest: IEEE, 2019: 1-8.
[本文引用: 2]
[26]
AL-MARRIDI A Z, MOHAMED A, ERBAD A. Convolutional auto-encoder approach for EEG compression and reconstruction in m-health systems [C]// 14th International Wireless Communications and Mobile Computing Conference . Chongqing: IEEE, 2018: 370-375.
[本文引用: 2]
[27]
JIAO Z, YOU H, YANG F, et al. Decoding EEG by visual guided deep neural networks [C]// International Joint Conferences on Artificial Intelligence . Macao: IEEE, 2019: 1387-1393.
[本文引用: 2]
[28]
YAO Y, PLESTED J, GEDEON T. Deep feature learning and visualization for EEG recording using autoencoders [C]// 25th International Conference on Neural Information Processing . Siem Reap: Springer, 2018: 554-566.
[本文引用: 2]
[29]
BASHIVAN P, RISH I, YEASIN M, et al. Learning representations from EEG with deep recurrent-convolutional neural networks [EB/OL]. (2016-02-29) [2023-10-01]. https://arxiv.org/pdf/1511.06448.
[本文引用: 1]
[30]
YU M, SUN Y, ZHU B, et al. Diverse frequency band-based convolutional neural networks for tonic cold pain assessment using EEG [J]. Neurocomputing , 2020, 378: 270-282.
[本文引用: 3]
[31]
PRASANTH T, THOMAS J, YUVARAJ R, et al. Deep learning for interictal epileptiform spike detection from scalp EEG frequency sub bands [C]// 42nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society . Montréal: IEEE, 2020: 3703-3706.
[本文引用: 3]
[32]
SHEN F, PENG Y, KONG W, et al. Multi-scale frequency bands ensemble learning for EEG-based emotion recognition [EB/OL]. (2021-02-10)[2023-10-01].https://www.mdpi.com/1424-8220/21/4/1262.
[本文引用: 3]
[33]
MIAO M, ZHENG L, XU B, et al. A multiple frequency bands parallel spatial–temporal 3D deep residual learning framework for EEG-based emotion recognition [EB/OL]. (2022-09-18) [2023-10-01]. https://www.sciencedirect.com/science/article/abs/pii/S174680942200595X.
[本文引用: 2]
[34]
YAO Y, JP A, TG A. Information-preserving feature filter for short-term EEG signals [J]. Neurocomputing , 2020, 408: 91-99.
[本文引用: 3]
[35]
MIAO M, HU W, YIN H, et al. Spatial-frequency feature learning and classification of motor imagery EEG based on deep convolution neural network [EB/OL]. (2020-07-20)[2023-10-01]. https://www.hindawi.com/journals/cmmm/2020/1981728/.
[本文引用: 1]
[36]
LAWHERN V J, SOLON A J, WAYTOWICH N R, et al EE-GNet: a compact convolutional network for EEG-based brain-computer interfaces
[J]. Journal of Neural Engineering , 2018 , 15 (5 ): 056013.1 - 056013.17
[本文引用: 4]
[37]
ZHAO D, TANG F, SI B, et al Learning joint space-time-frequency features for EEG decoding on small labeled data
[J]. Neural Networks , 2019 , 114 : 67 - 77
DOI:10.1016/j.neunet.2019.02.009
[本文引用: 3]
[38]
WANG J, LIANG S, HE D, et al. A sequential graph convolutional network with frequency-domain complex network of EEG signals for epilepsy detection [C]// IEEE International Conference on Bioinformatics and Bio-medicine . Seoul: IEEE, 2020.
[本文引用: 2]
[39]
ZHANG X, LU D, SHEN J, et al. Spatial-temporal joint optimization network on covariance manifolds of electroencephalography for fatigue detection [C]// IEEE International Conference on Bioinformatics and Biomedicine . Seoul: IEEE, 2020: 893-900.
[本文引用: 3]
[40]
FANG Z, WANG W, REN S, et al. Learning regional attention convolutional neural network for motion intention recognition based on EEG data [C]// 29th International Conference on International Joint Conferences on Artificial Intelligence . Yokohama: IEEE, 2021: 1570-1576.
[本文引用: 2]
[41]
ZHONG P, WANG D, MIAO C EEG-based emotion recognition using regularized graph neural networks
[J]. IEEE Transactions on Affective Computing , 2020 , 13 (3 ): 1290 - 1301
[本文引用: 2]
[42]
SCHMIDT L A, TRAINOR L J Frontal brain electrical activity (EEG) distinguishes valence and intensity of musical emotions
[J]. Cognition and Emotion , 2001 , 15 (4 ): 487 - 500
DOI:10.1080/02699930126048
[本文引用: 1]
[43]
LI Y, ZHENG W, ZONG Y, et al A bi-hemisphere domain adversarial neural network model for EEG emotion recognition
[J]. IEEE Transactions on Affective Computing , 2018 , 12 (2 ): 494 - 504
[本文引用: 2]
[44]
SONG T, LIU S, ZHENG W, et al. Instance-adaptive graph for EEG emotion recognition [C]// AAAI Conference on Artificial Intelligence . New York: AAAI, 2020: 2701-2708.
[本文引用: 4]
[45]
LI R, WANG Y, LU B L. A multi-domain adaptive graph convolutional network for EEG-based emotion recognition [C]// 29th ACM International Conference on Multimedia . Chengdu: ACM, 2021: 5565-5573.
[本文引用: 1]
[46]
LI A, HUYNH C, FITZGERALD Z, et al Neural fragility as an EEG marker of the seizure onset zone
[J]. Nature Neuroscience , 2021 , 24 (10 ): 1465 - 1474
DOI:10.1038/s41593-021-00901-w
[本文引用: 2]
[47]
GUNNARSDOTTIR K M, LI A, SMITH R J, et al Source-sink connectivity: a novel interictal EEG marker for seizure localization
[J]. Brain , 2022 , 145 (11 ): 3901 - 3915
DOI:10.1093/brain/awac300
[本文引用: 1]
[48]
KOSTAS D, AROCA-OUELLETTE S, RUDZICZ F BENDR: using transformers and a contrastive self-supervised learning task to learn from massive amounts of EEG data
[J]. Frontiers in Human Neuroscience , 2021 , 15 : 653659
DOI:10.3389/fnhum.2021.653659
[本文引用: 3]
[49]
DEVLIN J, CHANG M W, LEE K, et al. Bert: pre-training of deep bidirectional transformers for language understanding [EB/OL].(2019-05-24)[2023-10-01].https://arxiv.org/pdf/1810.04805.
[本文引用: 1]
[50]
JIA Z, LIM Y, WANG J, et al Multi-view spatial-temporal graph convolutional networks with domain generalization for sleep stage classification
[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering , 2021 , 29 : 1977 - 1986
DOI:10.1109/TNSRE.2021.3110665
[本文引用: 2]
[51]
LI Y, CHEN J, LI F, et al. Gmss: graph-based multi-task self-supervised learning for EEG emotion recognition [J]. IEEE Transactions on Affective Computing , 2022, 14(3): 2512-2525.
[本文引用: 2]
[52]
KUMAR V, REDDY L, SHARMA S K, et al. mulEEG: a multi-view representation learning on EEG signals [C]// Medical Image Computing and Computer Assisted Intervention. Singapore: Springer, 2022: 398-407.
[本文引用: 2]
[53]
MIKKELSEN K B, KIDMOSE P, HANSEN L K On the key hole hypothesis: high mutual information between ear and scalp EEG
[J]. Frontiers in Human Neuroscience , 2017 , 11 (341 ): 115
[本文引用: 1]
[54]
ANANDAKUMAR M, PRADEEPKUMAR J, KAPPEL S L, et al. A knowledge distillation framework for enhancing ear-EEG based sleep staging with scalp-EEG data [EB/OL]. (2022-10-27) [2023-10-01]. https://arxiv.org/pdf/2211.02638.
[本文引用: 2]
[55]
ZHANG X, ZHAO Z, TSILIGKARIDIS T, et al. Self-supervised contrastive pre-training for time series via time-frequency consistency [EB/OL]. (2022-10-15)[2023-10-01]. https://arxiv.org/pdf/2206.08496.
[本文引用: 2]
A review on machine learning for EEG signal processing in bioengineering
1
2020
... 对于EEG相关的概念和工作,已有许多综述研究给出了全面的梳理. Hosseinu等[1 ] 介绍了机器学习在EEG信号处理中的应用,包括传统的支持向量机、K-近邻算法、朴素贝叶斯等方法的应用,但没有兼顾到大量取得更优性能的深度学习算法的讨论. Jiang等[2 ] 从去除EEG信号的伪影和解决EEG模型泛化性的角度进行讨论,使得该篇综述在技术细节方面更加细致,然而对于初入门的研究人员来说,这种细致的梳理可能不利于他们从完整的流程视角去了解EEG数据分析过程中需要考虑的挑战. 与之形成对比的是,Zhang等 [3 ] 从更全面的视角介绍了脑机接口(brain-computer interface,BCI)信号的由来及应用,以及卷积神经网络(convolutional neural networks, CNN)、循环神经网络(recurrent neural network, RNN)、生成对抗网络(generative adversarial network, GAN)等主流深度学习算法与脑电任务场景的结合形式. Zhang等[3 ] 的工作没有显式地遵循EEG信号分析所涉及的闭环工作流程进行文献梳理,而是将重点放在了不同BCI信号种类的划分及深度学习算法类别的划分上. ...
Removal of artifacts from EEG signals: a review
2
2019
... 对于EEG相关的概念和工作,已有许多综述研究给出了全面的梳理. Hosseinu等[1 ] 介绍了机器学习在EEG信号处理中的应用,包括传统的支持向量机、K-近邻算法、朴素贝叶斯等方法的应用,但没有兼顾到大量取得更优性能的深度学习算法的讨论. Jiang等[2 ] 从去除EEG信号的伪影和解决EEG模型泛化性的角度进行讨论,使得该篇综述在技术细节方面更加细致,然而对于初入门的研究人员来说,这种细致的梳理可能不利于他们从完整的流程视角去了解EEG数据分析过程中需要考虑的挑战. 与之形成对比的是,Zhang等 [3 ] 从更全面的视角介绍了脑机接口(brain-computer interface,BCI)信号的由来及应用,以及卷积神经网络(convolutional neural networks, CNN)、循环神经网络(recurrent neural network, RNN)、生成对抗网络(generative adversarial network, GAN)等主流深度学习算法与脑电任务场景的结合形式. Zhang等[3 ] 的工作没有显式地遵循EEG信号分析所涉及的闭环工作流程进行文献梳理,而是将重点放在了不同BCI信号种类的划分及深度学习算法类别的划分上. ...
... EEG数据采集过程中伴随着肌肉运动、电干扰和电极松动等不确定因素带来的噪声干扰,这些噪声使信号分类和神经系统疾病诊断成为瓶颈[2 ] . EEG数据去噪已成为生物医学数据处理领域的重要研究课题. Salis等[11 ] 对经验模态分解(empirical mode decomposition, EMD)、离散小波变换(discrete wavelet transform, DWT)和卡尔曼滤波(Kalman filtering, KF)进行比较研究,从脑电图中去除不同振幅的EOG伪影,但利用这些传统方法无法充分捕捉EEG中的复杂特征. 如表2 所示,深度神经网络可以捕捉EEG中神经振荡的特征,消除来自生物伪影的波动,如Zhang等[12 ] 构造干净EEG和带有EOG和EMG伪影的数据集,使用基于深度网络的EEGdenoiseNet,通过有监督的方式进行端到端的训练,对EOG和EMG伪影进行去噪. Brophy等[13 ] 基于GAN,生成器从有噪声的EEG训练数据中进行采样去噪,并将其与相应的干净EEG信号输入鉴别器中进行比较. 由于EEG信号的幅度没有固定的范围,传统的图像滤波方法可能无法直接应用于EEG信号去噪,因此An等[14 ] 引入样本熵和基于能量阈值的数据归一化方法,将图像恢复的思想应用于脑电信号去噪. ...
2
... 对于EEG相关的概念和工作,已有许多综述研究给出了全面的梳理. Hosseinu等[1 ] 介绍了机器学习在EEG信号处理中的应用,包括传统的支持向量机、K-近邻算法、朴素贝叶斯等方法的应用,但没有兼顾到大量取得更优性能的深度学习算法的讨论. Jiang等[2 ] 从去除EEG信号的伪影和解决EEG模型泛化性的角度进行讨论,使得该篇综述在技术细节方面更加细致,然而对于初入门的研究人员来说,这种细致的梳理可能不利于他们从完整的流程视角去了解EEG数据分析过程中需要考虑的挑战. 与之形成对比的是,Zhang等 [3 ] 从更全面的视角介绍了脑机接口(brain-computer interface,BCI)信号的由来及应用,以及卷积神经网络(convolutional neural networks, CNN)、循环神经网络(recurrent neural network, RNN)、生成对抗网络(generative adversarial network, GAN)等主流深度学习算法与脑电任务场景的结合形式. Zhang等[3 ] 的工作没有显式地遵循EEG信号分析所涉及的闭环工作流程进行文献梳理,而是将重点放在了不同BCI信号种类的划分及深度学习算法类别的划分上. ...
... [3 ]的工作没有显式地遵循EEG信号分析所涉及的闭环工作流程进行文献梳理,而是将重点放在了不同BCI信号种类的划分及深度学习算法类别的划分上. ...
Three-dimensional probabilistic anatomical cranio-cerebral correlation via the international 10–20 system oriented for transcranial functional brain mapping
1
2004
... EEG作为电生理信号记录数据,能够反映颅内神经元产生的电生理活动. 通常,在采集EEG信号时,记录电极的放置会遵循约定好的数量和准则,以保证实验结果的可复现性与可比较性. 常见的电极放置准则包括10-20国际标准导联系统、10-05国际标准导联系统、BioSemi系列等. 以常用的10-20国际标准导联系统为例,该系统的基本假设如下:头皮位置与其底层大脑结构之间存在一致的相关性[4 ] . 标准的10-20系统总共包含19颗记录电极,每颗电极作为一个逻辑通道,记录相应位置的EEG信号数据. ...
Montreal archive of sleep studies: an open-access resource for instrument benchmarking and exploratory research
1
2014
... EEG数据优良的特性促使科研人员从EEG的理论研究延伸出多样的应用场景,如疲劳检测、癫痫预警、情感识别等. 基于不同任务与科学实验,诞生了丰富的EEG公开数据集,包括睡眠EEG数据集Sleep-EDF[5 ] 、动作想象数据集PhysioNet[6 ] 、情感识别数据集SEED IV[7 ] 、DEAP[8 ] 等,进一步吸引了大量研究工作的更迭与创新. ...
PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals
1
2000
... EEG数据优良的特性促使科研人员从EEG的理论研究延伸出多样的应用场景,如疲劳检测、癫痫预警、情感识别等. 基于不同任务与科学实验,诞生了丰富的EEG公开数据集,包括睡眠EEG数据集Sleep-EDF[5 ] 、动作想象数据集PhysioNet[6 ] 、情感识别数据集SEED IV[7 ] 、DEAP[8 ] 等,进一步吸引了大量研究工作的更迭与创新. ...
Emotionmeter: a multimodal framework for recognizing human emotions
1
2019
... EEG数据优良的特性促使科研人员从EEG的理论研究延伸出多样的应用场景,如疲劳检测、癫痫预警、情感识别等. 基于不同任务与科学实验,诞生了丰富的EEG公开数据集,包括睡眠EEG数据集Sleep-EDF[5 ] 、动作想象数据集PhysioNet[6 ] 、情感识别数据集SEED IV[7 ] 、DEAP[8 ] 等,进一步吸引了大量研究工作的更迭与创新. ...
Deap: a database for emotion analysis; using physiological signals
1
2012
... EEG数据优良的特性促使科研人员从EEG的理论研究延伸出多样的应用场景,如疲劳检测、癫痫预警、情感识别等. 基于不同任务与科学实验,诞生了丰富的EEG公开数据集,包括睡眠EEG数据集Sleep-EDF[5 ] 、动作想象数据集PhysioNet[6 ] 、情感识别数据集SEED IV[7 ] 、DEAP[8 ] 等,进一步吸引了大量研究工作的更迭与创新. ...
1
... 作为一种时序信号,EEG记录到的大脑局部节律振幅随时间的波动反映了潜在神经元皮层网络的可变功能状态[9 ] ,因此需要从时域的角度考虑EEG波形如何随着时间的推移而变化或波动. 为了更好地剥离EEG信号中不同的频率成分以便更细致地分析,常会利用傅里叶变换或小波变换算法将信号从时域变换至频域进行考虑. 如表1 所示,EEG信号的频率波动范围一般集中在每秒1~30次,可被划分为不同波段.如何利用EEG中各波段的特性来指导下游任务分析,或挖掘不同波段间和未发现的波段间所具有的复杂特性是值得不断探索的. ...
Rethinking measures of functional connectivity via feature extraction
1
2020
... 从空间角度来看,位于头皮不同位置的EEG电极所记录到的颅内电生理活动存在显著的差异,如δ波常见于大脑颞叶和顶叶,γ波通常位于体感皮层. 根据不同区域所关联的独特功能,已有学者将大脑划分为不同的脑功能区. 常见的脑功能区划分方式包括默认模式网络(default mode network,DMN)、突显网络(salience network,SN)、注意网络(attention network,AN)等. 通过计算在不同功能区所记录到的信号之间的统计相关性,可以判定其是否具有功能性关联(functional connectivity,FC) [10 ] . 在不同的BCI任务中,特定大脑区域会产生特有的活跃现象. ...
1
... EEG数据采集过程中伴随着肌肉运动、电干扰和电极松动等不确定因素带来的噪声干扰,这些噪声使信号分类和神经系统疾病诊断成为瓶颈[2 ] . EEG数据去噪已成为生物医学数据处理领域的重要研究课题. Salis等[11 ] 对经验模态分解(empirical mode decomposition, EMD)、离散小波变换(discrete wavelet transform, DWT)和卡尔曼滤波(Kalman filtering, KF)进行比较研究,从脑电图中去除不同振幅的EOG伪影,但利用这些传统方法无法充分捕捉EEG中的复杂特征. 如表2 所示,深度神经网络可以捕捉EEG中神经振荡的特征,消除来自生物伪影的波动,如Zhang等[12 ] 构造干净EEG和带有EOG和EMG伪影的数据集,使用基于深度网络的EEGdenoiseNet,通过有监督的方式进行端到端的训练,对EOG和EMG伪影进行去噪. Brophy等[13 ] 基于GAN,生成器从有噪声的EEG训练数据中进行采样去噪,并将其与相应的干净EEG信号输入鉴别器中进行比较. 由于EEG信号的幅度没有固定的范围,传统的图像滤波方法可能无法直接应用于EEG信号去噪,因此An等[14 ] 引入样本熵和基于能量阈值的数据归一化方法,将图像恢复的思想应用于脑电信号去噪. ...
EEGdenoisenet: a benchmark dataset for deep learning solutions of EEG denoising
2
2021
... EEG数据采集过程中伴随着肌肉运动、电干扰和电极松动等不确定因素带来的噪声干扰,这些噪声使信号分类和神经系统疾病诊断成为瓶颈[2 ] . EEG数据去噪已成为生物医学数据处理领域的重要研究课题. Salis等[11 ] 对经验模态分解(empirical mode decomposition, EMD)、离散小波变换(discrete wavelet transform, DWT)和卡尔曼滤波(Kalman filtering, KF)进行比较研究,从脑电图中去除不同振幅的EOG伪影,但利用这些传统方法无法充分捕捉EEG中的复杂特征. 如表2 所示,深度神经网络可以捕捉EEG中神经振荡的特征,消除来自生物伪影的波动,如Zhang等[12 ] 构造干净EEG和带有EOG和EMG伪影的数据集,使用基于深度网络的EEGdenoiseNet,通过有监督的方式进行端到端的训练,对EOG和EMG伪影进行去噪. Brophy等[13 ] 基于GAN,生成器从有噪声的EEG训练数据中进行采样去噪,并将其与相应的干净EEG信号输入鉴别器中进行比较. 由于EEG信号的幅度没有固定的范围,传统的图像滤波方法可能无法直接应用于EEG信号去噪,因此An等[14 ] 引入样本熵和基于能量阈值的数据归一化方法,将图像恢复的思想应用于脑电信号去噪. ...
... EEG signal denoising method based on deep learning
Tab.2 名称 文献 主要贡献 网络架构 CNN LSTM GAN EEGdenoiseNet 文献[12 ] 通过构造干净EEG和带有EOG和EMG伪影的数据集,以端到端的方式进行训练, 对EOG和EMG伪影进行去噪. √ √ — DenoisingEEG 文献[13 ] 基于GAN,生成器从有噪声的EEG训练数据中进行采样去噪,并将其与 相应的干净EEG信号输入鉴别器中进行比较. √ — √ Auto-Denoising 文献[14 ] 引入样本熵和基于能量阈值的数据归一化方法,将图像恢复的思想应用于脑电信号去噪, 使GAN模型中的生成器能够生成平稳的EEG信号. — √ √ U-NET 文献[15 ] 将EEG信号转换为图像,使用计算机视觉领域分割经典模型U-NET. √ — — EEGANet 文献[16 ] 针对EOG伪影,不需要专家进行视觉检查或额外的EOG通道,可用于各种 条件下的EEG信号(无眼动、水平眼动、垂直眼动和眨眼)去伪迹. √ — √ Novel CNN 文献[17 ] 引入多种网络模块,下采样EEG数据减少参数量、增加特征图数量、 提高网络深度,进而提高特征维度. √ — — 1D-ResCNN 文献[18 ] 将使用不同尺度卷积核的残差块组合起来,让模型捕捉更丰富的特征, 使得降噪后 EEG 的非线性特征得到显著保持,提高了在未知噪声下的 EEG 降噪性能. √ — —
EEG信号容易受到不同伪影的影响,这对后续的信号分析和神经系统疾病的诊断造成了干扰,因此去噪是重要的研究方向. 虽然现有的深度学习技术在处理EEG信号中的常见伪影方面表现出一定的竞争力,但随着脑机接口技术的发展,未来可能会面临更加复杂和多样化的伪影情况. 例如对可穿戴设备采集得到的连续、低信噪比的EEG信号进行快速去噪是具有挑战性但值得探索的方向. 在未来的研究中,可以考虑从以下几个方面来提高深度学习技术在处理复杂伪影方面的能力. 1) 数据集的多样性:构建更加多样化和真实的EEG数据集,包括各种类型的伪影,例如同时包含EOG伪影、EMG伪影、ECG伪影等,以便深度学习模型可以在更加复杂和真实的场景中进行训练和验证. 2) 实时性的考虑:针对BCI应用中对实时性要求高的场景,可以研究如何在短时间内进行快速去噪,例如引入在线学习和增量学习技术. ...
Denoising EEG signals for real-world BCI applications using GANs
2
2022
... EEG数据采集过程中伴随着肌肉运动、电干扰和电极松动等不确定因素带来的噪声干扰,这些噪声使信号分类和神经系统疾病诊断成为瓶颈[2 ] . EEG数据去噪已成为生物医学数据处理领域的重要研究课题. Salis等[11 ] 对经验模态分解(empirical mode decomposition, EMD)、离散小波变换(discrete wavelet transform, DWT)和卡尔曼滤波(Kalman filtering, KF)进行比较研究,从脑电图中去除不同振幅的EOG伪影,但利用这些传统方法无法充分捕捉EEG中的复杂特征. 如表2 所示,深度神经网络可以捕捉EEG中神经振荡的特征,消除来自生物伪影的波动,如Zhang等[12 ] 构造干净EEG和带有EOG和EMG伪影的数据集,使用基于深度网络的EEGdenoiseNet,通过有监督的方式进行端到端的训练,对EOG和EMG伪影进行去噪. Brophy等[13 ] 基于GAN,生成器从有噪声的EEG训练数据中进行采样去噪,并将其与相应的干净EEG信号输入鉴别器中进行比较. 由于EEG信号的幅度没有固定的范围,传统的图像滤波方法可能无法直接应用于EEG信号去噪,因此An等[14 ] 引入样本熵和基于能量阈值的数据归一化方法,将图像恢复的思想应用于脑电信号去噪. ...
... EEG signal denoising method based on deep learning
Tab.2 名称 文献 主要贡献 网络架构 CNN LSTM GAN EEGdenoiseNet 文献[12 ] 通过构造干净EEG和带有EOG和EMG伪影的数据集,以端到端的方式进行训练, 对EOG和EMG伪影进行去噪. √ √ — DenoisingEEG 文献[13 ] 基于GAN,生成器从有噪声的EEG训练数据中进行采样去噪,并将其与 相应的干净EEG信号输入鉴别器中进行比较. √ — √ Auto-Denoising 文献[14 ] 引入样本熵和基于能量阈值的数据归一化方法,将图像恢复的思想应用于脑电信号去噪, 使GAN模型中的生成器能够生成平稳的EEG信号. — √ √ U-NET 文献[15 ] 将EEG信号转换为图像,使用计算机视觉领域分割经典模型U-NET. √ — — EEGANet 文献[16 ] 针对EOG伪影,不需要专家进行视觉检查或额外的EOG通道,可用于各种 条件下的EEG信号(无眼动、水平眼动、垂直眼动和眨眼)去伪迹. √ — √ Novel CNN 文献[17 ] 引入多种网络模块,下采样EEG数据减少参数量、增加特征图数量、 提高网络深度,进而提高特征维度. √ — — 1D-ResCNN 文献[18 ] 将使用不同尺度卷积核的残差块组合起来,让模型捕捉更丰富的特征, 使得降噪后 EEG 的非线性特征得到显著保持,提高了在未知噪声下的 EEG 降噪性能. √ — —
EEG信号容易受到不同伪影的影响,这对后续的信号分析和神经系统疾病的诊断造成了干扰,因此去噪是重要的研究方向. 虽然现有的深度学习技术在处理EEG信号中的常见伪影方面表现出一定的竞争力,但随着脑机接口技术的发展,未来可能会面临更加复杂和多样化的伪影情况. 例如对可穿戴设备采集得到的连续、低信噪比的EEG信号进行快速去噪是具有挑战性但值得探索的方向. 在未来的研究中,可以考虑从以下几个方面来提高深度学习技术在处理复杂伪影方面的能力. 1) 数据集的多样性:构建更加多样化和真实的EEG数据集,包括各种类型的伪影,例如同时包含EOG伪影、EMG伪影、ECG伪影等,以便深度学习模型可以在更加复杂和真实的场景中进行训练和验证. 2) 实时性的考虑:针对BCI应用中对实时性要求高的场景,可以研究如何在短时间内进行快速去噪,例如引入在线学习和增量学习技术. ...
Auto-denoising for EEG signals using generative adversarial network
2
2022
... EEG数据采集过程中伴随着肌肉运动、电干扰和电极松动等不确定因素带来的噪声干扰,这些噪声使信号分类和神经系统疾病诊断成为瓶颈[2 ] . EEG数据去噪已成为生物医学数据处理领域的重要研究课题. Salis等[11 ] 对经验模态分解(empirical mode decomposition, EMD)、离散小波变换(discrete wavelet transform, DWT)和卡尔曼滤波(Kalman filtering, KF)进行比较研究,从脑电图中去除不同振幅的EOG伪影,但利用这些传统方法无法充分捕捉EEG中的复杂特征. 如表2 所示,深度神经网络可以捕捉EEG中神经振荡的特征,消除来自生物伪影的波动,如Zhang等[12 ] 构造干净EEG和带有EOG和EMG伪影的数据集,使用基于深度网络的EEGdenoiseNet,通过有监督的方式进行端到端的训练,对EOG和EMG伪影进行去噪. Brophy等[13 ] 基于GAN,生成器从有噪声的EEG训练数据中进行采样去噪,并将其与相应的干净EEG信号输入鉴别器中进行比较. 由于EEG信号的幅度没有固定的范围,传统的图像滤波方法可能无法直接应用于EEG信号去噪,因此An等[14 ] 引入样本熵和基于能量阈值的数据归一化方法,将图像恢复的思想应用于脑电信号去噪. ...
... EEG signal denoising method based on deep learning
Tab.2 名称 文献 主要贡献 网络架构 CNN LSTM GAN EEGdenoiseNet 文献[12 ] 通过构造干净EEG和带有EOG和EMG伪影的数据集,以端到端的方式进行训练, 对EOG和EMG伪影进行去噪. √ √ — DenoisingEEG 文献[13 ] 基于GAN,生成器从有噪声的EEG训练数据中进行采样去噪,并将其与 相应的干净EEG信号输入鉴别器中进行比较. √ — √ Auto-Denoising 文献[14 ] 引入样本熵和基于能量阈值的数据归一化方法,将图像恢复的思想应用于脑电信号去噪, 使GAN模型中的生成器能够生成平稳的EEG信号. — √ √ U-NET 文献[15 ] 将EEG信号转换为图像,使用计算机视觉领域分割经典模型U-NET. √ — — EEGANet 文献[16 ] 针对EOG伪影,不需要专家进行视觉检查或额外的EOG通道,可用于各种 条件下的EEG信号(无眼动、水平眼动、垂直眼动和眨眼)去伪迹. √ — √ Novel CNN 文献[17 ] 引入多种网络模块,下采样EEG数据减少参数量、增加特征图数量、 提高网络深度,进而提高特征维度. √ — — 1D-ResCNN 文献[18 ] 将使用不同尺度卷积核的残差块组合起来,让模型捕捉更丰富的特征, 使得降噪后 EEG 的非线性特征得到显著保持,提高了在未知噪声下的 EEG 降噪性能. √ — —
EEG信号容易受到不同伪影的影响,这对后续的信号分析和神经系统疾病的诊断造成了干扰,因此去噪是重要的研究方向. 虽然现有的深度学习技术在处理EEG信号中的常见伪影方面表现出一定的竞争力,但随着脑机接口技术的发展,未来可能会面临更加复杂和多样化的伪影情况. 例如对可穿戴设备采集得到的连续、低信噪比的EEG信号进行快速去噪是具有挑战性但值得探索的方向. 在未来的研究中,可以考虑从以下几个方面来提高深度学习技术在处理复杂伪影方面的能力. 1) 数据集的多样性:构建更加多样化和真实的EEG数据集,包括各种类型的伪影,例如同时包含EOG伪影、EMG伪影、ECG伪影等,以便深度学习模型可以在更加复杂和真实的场景中进行训练和验证. 2) 实时性的考虑:针对BCI应用中对实时性要求高的场景,可以研究如何在短时间内进行快速去噪,例如引入在线学习和增量学习技术. ...
1
... EEG signal denoising method based on deep learning
Tab.2 名称 文献 主要贡献 网络架构 CNN LSTM GAN EEGdenoiseNet 文献[12 ] 通过构造干净EEG和带有EOG和EMG伪影的数据集,以端到端的方式进行训练, 对EOG和EMG伪影进行去噪. √ √ — DenoisingEEG 文献[13 ] 基于GAN,生成器从有噪声的EEG训练数据中进行采样去噪,并将其与 相应的干净EEG信号输入鉴别器中进行比较. √ — √ Auto-Denoising 文献[14 ] 引入样本熵和基于能量阈值的数据归一化方法,将图像恢复的思想应用于脑电信号去噪, 使GAN模型中的生成器能够生成平稳的EEG信号. — √ √ U-NET 文献[15 ] 将EEG信号转换为图像,使用计算机视觉领域分割经典模型U-NET. √ — — EEGANet 文献[16 ] 针对EOG伪影,不需要专家进行视觉检查或额外的EOG通道,可用于各种 条件下的EEG信号(无眼动、水平眼动、垂直眼动和眨眼)去伪迹. √ — √ Novel CNN 文献[17 ] 引入多种网络模块,下采样EEG数据减少参数量、增加特征图数量、 提高网络深度,进而提高特征维度. √ — — 1D-ResCNN 文献[18 ] 将使用不同尺度卷积核的残差块组合起来,让模型捕捉更丰富的特征, 使得降噪后 EEG 的非线性特征得到显著保持,提高了在未知噪声下的 EEG 降噪性能. √ — —
EEG信号容易受到不同伪影的影响,这对后续的信号分析和神经系统疾病的诊断造成了干扰,因此去噪是重要的研究方向. 虽然现有的深度学习技术在处理EEG信号中的常见伪影方面表现出一定的竞争力,但随着脑机接口技术的发展,未来可能会面临更加复杂和多样化的伪影情况. 例如对可穿戴设备采集得到的连续、低信噪比的EEG信号进行快速去噪是具有挑战性但值得探索的方向. 在未来的研究中,可以考虑从以下几个方面来提高深度学习技术在处理复杂伪影方面的能力. 1) 数据集的多样性:构建更加多样化和真实的EEG数据集,包括各种类型的伪影,例如同时包含EOG伪影、EMG伪影、ECG伪影等,以便深度学习模型可以在更加复杂和真实的场景中进行训练和验证. 2) 实时性的考虑:针对BCI应用中对实时性要求高的场景,可以研究如何在短时间内进行快速去噪,例如引入在线学习和增量学习技术. ...
EEGANet: removal of ocular artifacts from the EEG signal using generative adversarial networks
1
2021
... EEG signal denoising method based on deep learning
Tab.2 名称 文献 主要贡献 网络架构 CNN LSTM GAN EEGdenoiseNet 文献[12 ] 通过构造干净EEG和带有EOG和EMG伪影的数据集,以端到端的方式进行训练, 对EOG和EMG伪影进行去噪. √ √ — DenoisingEEG 文献[13 ] 基于GAN,生成器从有噪声的EEG训练数据中进行采样去噪,并将其与 相应的干净EEG信号输入鉴别器中进行比较. √ — √ Auto-Denoising 文献[14 ] 引入样本熵和基于能量阈值的数据归一化方法,将图像恢复的思想应用于脑电信号去噪, 使GAN模型中的生成器能够生成平稳的EEG信号. — √ √ U-NET 文献[15 ] 将EEG信号转换为图像,使用计算机视觉领域分割经典模型U-NET. √ — — EEGANet 文献[16 ] 针对EOG伪影,不需要专家进行视觉检查或额外的EOG通道,可用于各种 条件下的EEG信号(无眼动、水平眼动、垂直眼动和眨眼)去伪迹. √ — √ Novel CNN 文献[17 ] 引入多种网络模块,下采样EEG数据减少参数量、增加特征图数量、 提高网络深度,进而提高特征维度. √ — — 1D-ResCNN 文献[18 ] 将使用不同尺度卷积核的残差块组合起来,让模型捕捉更丰富的特征, 使得降噪后 EEG 的非线性特征得到显著保持,提高了在未知噪声下的 EEG 降噪性能. √ — —
EEG信号容易受到不同伪影的影响,这对后续的信号分析和神经系统疾病的诊断造成了干扰,因此去噪是重要的研究方向. 虽然现有的深度学习技术在处理EEG信号中的常见伪影方面表现出一定的竞争力,但随着脑机接口技术的发展,未来可能会面临更加复杂和多样化的伪影情况. 例如对可穿戴设备采集得到的连续、低信噪比的EEG信号进行快速去噪是具有挑战性但值得探索的方向. 在未来的研究中,可以考虑从以下几个方面来提高深度学习技术在处理复杂伪影方面的能力. 1) 数据集的多样性:构建更加多样化和真实的EEG数据集,包括各种类型的伪影,例如同时包含EOG伪影、EMG伪影、ECG伪影等,以便深度学习模型可以在更加复杂和真实的场景中进行训练和验证. 2) 实时性的考虑:针对BCI应用中对实时性要求高的场景,可以研究如何在短时间内进行快速去噪,例如引入在线学习和增量学习技术. ...
1
... EEG signal denoising method based on deep learning
Tab.2 名称 文献 主要贡献 网络架构 CNN LSTM GAN EEGdenoiseNet 文献[12 ] 通过构造干净EEG和带有EOG和EMG伪影的数据集,以端到端的方式进行训练, 对EOG和EMG伪影进行去噪. √ √ — DenoisingEEG 文献[13 ] 基于GAN,生成器从有噪声的EEG训练数据中进行采样去噪,并将其与 相应的干净EEG信号输入鉴别器中进行比较. √ — √ Auto-Denoising 文献[14 ] 引入样本熵和基于能量阈值的数据归一化方法,将图像恢复的思想应用于脑电信号去噪, 使GAN模型中的生成器能够生成平稳的EEG信号. — √ √ U-NET 文献[15 ] 将EEG信号转换为图像,使用计算机视觉领域分割经典模型U-NET. √ — — EEGANet 文献[16 ] 针对EOG伪影,不需要专家进行视觉检查或额外的EOG通道,可用于各种 条件下的EEG信号(无眼动、水平眼动、垂直眼动和眨眼)去伪迹. √ — √ Novel CNN 文献[17 ] 引入多种网络模块,下采样EEG数据减少参数量、增加特征图数量、 提高网络深度,进而提高特征维度. √ — — 1D-ResCNN 文献[18 ] 将使用不同尺度卷积核的残差块组合起来,让模型捕捉更丰富的特征, 使得降噪后 EEG 的非线性特征得到显著保持,提高了在未知噪声下的 EEG 降噪性能. √ — —
EEG信号容易受到不同伪影的影响,这对后续的信号分析和神经系统疾病的诊断造成了干扰,因此去噪是重要的研究方向. 虽然现有的深度学习技术在处理EEG信号中的常见伪影方面表现出一定的竞争力,但随着脑机接口技术的发展,未来可能会面临更加复杂和多样化的伪影情况. 例如对可穿戴设备采集得到的连续、低信噪比的EEG信号进行快速去噪是具有挑战性但值得探索的方向. 在未来的研究中,可以考虑从以下几个方面来提高深度学习技术在处理复杂伪影方面的能力. 1) 数据集的多样性:构建更加多样化和真实的EEG数据集,包括各种类型的伪影,例如同时包含EOG伪影、EMG伪影、ECG伪影等,以便深度学习模型可以在更加复杂和真实的场景中进行训练和验证. 2) 实时性的考虑:针对BCI应用中对实时性要求高的场景,可以研究如何在短时间内进行快速去噪,例如引入在线学习和增量学习技术. ...
A novel end-to-end 1D-ResCNN model to remove artifact from EEG signals
1
2020
... EEG signal denoising method based on deep learning
Tab.2 名称 文献 主要贡献 网络架构 CNN LSTM GAN EEGdenoiseNet 文献[12 ] 通过构造干净EEG和带有EOG和EMG伪影的数据集,以端到端的方式进行训练, 对EOG和EMG伪影进行去噪. √ √ — DenoisingEEG 文献[13 ] 基于GAN,生成器从有噪声的EEG训练数据中进行采样去噪,并将其与 相应的干净EEG信号输入鉴别器中进行比较. √ — √ Auto-Denoising 文献[14 ] 引入样本熵和基于能量阈值的数据归一化方法,将图像恢复的思想应用于脑电信号去噪, 使GAN模型中的生成器能够生成平稳的EEG信号. — √ √ U-NET 文献[15 ] 将EEG信号转换为图像,使用计算机视觉领域分割经典模型U-NET. √ — — EEGANet 文献[16 ] 针对EOG伪影,不需要专家进行视觉检查或额外的EOG通道,可用于各种 条件下的EEG信号(无眼动、水平眼动、垂直眼动和眨眼)去伪迹. √ — √ Novel CNN 文献[17 ] 引入多种网络模块,下采样EEG数据减少参数量、增加特征图数量、 提高网络深度,进而提高特征维度. √ — — 1D-ResCNN 文献[18 ] 将使用不同尺度卷积核的残差块组合起来,让模型捕捉更丰富的特征, 使得降噪后 EEG 的非线性特征得到显著保持,提高了在未知噪声下的 EEG 降噪性能. √ — —
EEG信号容易受到不同伪影的影响,这对后续的信号分析和神经系统疾病的诊断造成了干扰,因此去噪是重要的研究方向. 虽然现有的深度学习技术在处理EEG信号中的常见伪影方面表现出一定的竞争力,但随着脑机接口技术的发展,未来可能会面临更加复杂和多样化的伪影情况. 例如对可穿戴设备采集得到的连续、低信噪比的EEG信号进行快速去噪是具有挑战性但值得探索的方向. 在未来的研究中,可以考虑从以下几个方面来提高深度学习技术在处理复杂伪影方面的能力. 1) 数据集的多样性:构建更加多样化和真实的EEG数据集,包括各种类型的伪影,例如同时包含EOG伪影、EMG伪影、ECG伪影等,以便深度学习模型可以在更加复杂和真实的场景中进行训练和验证. 2) 实时性的考虑:针对BCI应用中对实时性要求高的场景,可以研究如何在短时间内进行快速去噪,例如引入在线学习和增量学习技术. ...
2
... EEG signal generating method based on deep learning
Tab.3 类型 文献 主要贡献 数据增强 文献[19 ] 利用额外的可变伸缩系数,动态调节WGAN-GP中的梯度惩罚项. 文献[20 ] 使用WGAN从低分辨率的记录中生成高空间分辨率EEG数据. 文献[21 ] 在WGAN的基础上,提出时空频率-均方误差损失,有助于重构出更具判别性的信号. 数据转换 文献[22 ] 提出基于自编码器改进的深度学习模型,实现由EEG到同步SEEG信号的生成. 文献[23 ] 提出两阶段匹配策略,确定一对一电极匹配关系,基于CGAN实现EEG到SEEG的生成.
Hartmann等[19 ] 面对EEG数据增强及恢复已损坏的数据段需求,针对WGAN-GP训练不稳定、梯度消失这一缺陷进行改进,利用额外的可变伸缩系数来动态调节WGAN-GP中的梯度惩罚项,使得判别器的梯度惩罚权重可以根据当前分布间的差距大小改变,稳定了模型训练过程,生成更高质量的信号. 针对EEG数据增强这一应用场景,Corley等[20 ] 采用生成对抗网络对EEG进行逐通道生成. 在临床上,高空间分辨率的大脑活动记录通常包含更多的认知活动信息,但记录更高的空间分辨率需要更多的通道,意味着更高的设备成本. 通过使用WGAN,可以从低分辨率的记录中生成高空间分辨率EEG数据. ...
... Hartmann等[19 ] 面对EEG数据增强及恢复已损坏的数据段需求,针对WGAN-GP训练不稳定、梯度消失这一缺陷进行改进,利用额外的可变伸缩系数来动态调节WGAN-GP中的梯度惩罚项,使得判别器的梯度惩罚权重可以根据当前分布间的差距大小改变,稳定了模型训练过程,生成更高质量的信号. 针对EEG数据增强这一应用场景,Corley等[20 ] 采用生成对抗网络对EEG进行逐通道生成. 在临床上,高空间分辨率的大脑活动记录通常包含更多的认知活动信息,但记录更高的空间分辨率需要更多的通道,意味着更高的设备成本. 通过使用WGAN,可以从低分辨率的记录中生成高空间分辨率EEG数据. ...
2
... EEG signal generating method based on deep learning
Tab.3 类型 文献 主要贡献 数据增强 文献[19 ] 利用额外的可变伸缩系数,动态调节WGAN-GP中的梯度惩罚项. 文献[20 ] 使用WGAN从低分辨率的记录中生成高空间分辨率EEG数据. 文献[21 ] 在WGAN的基础上,提出时空频率-均方误差损失,有助于重构出更具判别性的信号. 数据转换 文献[22 ] 提出基于自编码器改进的深度学习模型,实现由EEG到同步SEEG信号的生成. 文献[23 ] 提出两阶段匹配策略,确定一对一电极匹配关系,基于CGAN实现EEG到SEEG的生成.
Hartmann等[19 ] 面对EEG数据增强及恢复已损坏的数据段需求,针对WGAN-GP训练不稳定、梯度消失这一缺陷进行改进,利用额外的可变伸缩系数来动态调节WGAN-GP中的梯度惩罚项,使得判别器的梯度惩罚权重可以根据当前分布间的差距大小改变,稳定了模型训练过程,生成更高质量的信号. 针对EEG数据增强这一应用场景,Corley等[20 ] 采用生成对抗网络对EEG进行逐通道生成. 在临床上,高空间分辨率的大脑活动记录通常包含更多的认知活动信息,但记录更高的空间分辨率需要更多的通道,意味着更高的设备成本. 通过使用WGAN,可以从低分辨率的记录中生成高空间分辨率EEG数据. ...
... Hartmann等[19 ] 面对EEG数据增强及恢复已损坏的数据段需求,针对WGAN-GP训练不稳定、梯度消失这一缺陷进行改进,利用额外的可变伸缩系数来动态调节WGAN-GP中的梯度惩罚项,使得判别器的梯度惩罚权重可以根据当前分布间的差距大小改变,稳定了模型训练过程,生成更高质量的信号. 针对EEG数据增强这一应用场景,Corley等[20 ] 采用生成对抗网络对EEG进行逐通道生成. 在临床上,高空间分辨率的大脑活动记录通常包含更多的认知活动信息,但记录更高的空间分辨率需要更多的通道,意味着更高的设备成本. 通过使用WGAN,可以从低分辨率的记录中生成高空间分辨率EEG数据. ...
EEG signal reconstruction using a generative adversarial network with Wasserstein distance and temporal-spatial-frequency loss
1
2020
... EEG signal generating method based on deep learning
Tab.3 类型 文献 主要贡献 数据增强 文献[19 ] 利用额外的可变伸缩系数,动态调节WGAN-GP中的梯度惩罚项. 文献[20 ] 使用WGAN从低分辨率的记录中生成高空间分辨率EEG数据. 文献[21 ] 在WGAN的基础上,提出时空频率-均方误差损失,有助于重构出更具判别性的信号. 数据转换 文献[22 ] 提出基于自编码器改进的深度学习模型,实现由EEG到同步SEEG信号的生成. 文献[23 ] 提出两阶段匹配策略,确定一对一电极匹配关系,基于CGAN实现EEG到SEEG的生成.
Hartmann等[19 ] 面对EEG数据增强及恢复已损坏的数据段需求,针对WGAN-GP训练不稳定、梯度消失这一缺陷进行改进,利用额外的可变伸缩系数来动态调节WGAN-GP中的梯度惩罚项,使得判别器的梯度惩罚权重可以根据当前分布间的差距大小改变,稳定了模型训练过程,生成更高质量的信号. 针对EEG数据增强这一应用场景,Corley等[20 ] 采用生成对抗网络对EEG进行逐通道生成. 在临床上,高空间分辨率的大脑活动记录通常包含更多的认知活动信息,但记录更高的空间分辨率需要更多的通道,意味着更高的设备成本. 通过使用WGAN,可以从低分辨率的记录中生成高空间分辨率EEG数据. ...
Deep neural architectures for mapping scalp to intracranial EEG
2
2018
... EEG signal generating method based on deep learning
Tab.3 类型 文献 主要贡献 数据增强 文献[19 ] 利用额外的可变伸缩系数,动态调节WGAN-GP中的梯度惩罚项. 文献[20 ] 使用WGAN从低分辨率的记录中生成高空间分辨率EEG数据. 文献[21 ] 在WGAN的基础上,提出时空频率-均方误差损失,有助于重构出更具判别性的信号. 数据转换 文献[22 ] 提出基于自编码器改进的深度学习模型,实现由EEG到同步SEEG信号的生成. 文献[23 ] 提出两阶段匹配策略,确定一对一电极匹配关系,基于CGAN实现EEG到SEEG的生成.
Hartmann等[19 ] 面对EEG数据增强及恢复已损坏的数据段需求,针对WGAN-GP训练不稳定、梯度消失这一缺陷进行改进,利用额外的可变伸缩系数来动态调节WGAN-GP中的梯度惩罚项,使得判别器的梯度惩罚权重可以根据当前分布间的差距大小改变,稳定了模型训练过程,生成更高质量的信号. 针对EEG数据增强这一应用场景,Corley等[20 ] 采用生成对抗网络对EEG进行逐通道生成. 在临床上,高空间分辨率的大脑活动记录通常包含更多的认知活动信息,但记录更高的空间分辨率需要更多的通道,意味着更高的设备成本. 通过使用WGAN,可以从低分辨率的记录中生成高空间分辨率EEG数据. ...
... 脑电生成的另一应用场景为信号转换,即使用一种模态的脑电信号生成另一种模态的脑电信号. 比如由无创、低空间分辨率、噪声较多的头皮脑电数据生成侵入式、高空间分辨率、噪声较少的颅内脑电(stereoelectroencephalogram, SEEG)数据,使得转换后模态的脑电信号包含更多的潜在大脑活动信息,有助于医学诊疗任务. Antoniades等[22 ] 提出基于自编码器(auto-encoder, AE)改进的深度学习模型,将EEG信号作为输入,最小化输出与真实SEEG信号间的交叉熵损失,实现由EEG到SEEG信号的生成. Hu等[23 ] 将EEG到SEEG这一转换任务分为两大步骤. 针对头皮脑电电极与颅内立体脑电电极之间映射关系的建立,提出两阶段的匹配策略,即同时考虑2种电极所记录到的信号间的相似性及2颗电极间的物理距离,确定最合适的一对一电极匹配关系. 使用幅度谱和瞬时频率谱来表征信号,提出谱相关注意力模块和加权预测模块. 前者能够保证生成的SEEG信号与输入的EEG信号之间具有关联性,后者主要针对生成信号中的毛刺现象这一问题进行解决,有效应对了潜在的模式崩塌. ...
E2SGAN: EEG-to-SEEG translation with generative adversarial networks
2
2022
... EEG signal generating method based on deep learning
Tab.3 类型 文献 主要贡献 数据增强 文献[19 ] 利用额外的可变伸缩系数,动态调节WGAN-GP中的梯度惩罚项. 文献[20 ] 使用WGAN从低分辨率的记录中生成高空间分辨率EEG数据. 文献[21 ] 在WGAN的基础上,提出时空频率-均方误差损失,有助于重构出更具判别性的信号. 数据转换 文献[22 ] 提出基于自编码器改进的深度学习模型,实现由EEG到同步SEEG信号的生成. 文献[23 ] 提出两阶段匹配策略,确定一对一电极匹配关系,基于CGAN实现EEG到SEEG的生成.
Hartmann等[19 ] 面对EEG数据增强及恢复已损坏的数据段需求,针对WGAN-GP训练不稳定、梯度消失这一缺陷进行改进,利用额外的可变伸缩系数来动态调节WGAN-GP中的梯度惩罚项,使得判别器的梯度惩罚权重可以根据当前分布间的差距大小改变,稳定了模型训练过程,生成更高质量的信号. 针对EEG数据增强这一应用场景,Corley等[20 ] 采用生成对抗网络对EEG进行逐通道生成. 在临床上,高空间分辨率的大脑活动记录通常包含更多的认知活动信息,但记录更高的空间分辨率需要更多的通道,意味着更高的设备成本. 通过使用WGAN,可以从低分辨率的记录中生成高空间分辨率EEG数据. ...
... 脑电生成的另一应用场景为信号转换,即使用一种模态的脑电信号生成另一种模态的脑电信号. 比如由无创、低空间分辨率、噪声较多的头皮脑电数据生成侵入式、高空间分辨率、噪声较少的颅内脑电(stereoelectroencephalogram, SEEG)数据,使得转换后模态的脑电信号包含更多的潜在大脑活动信息,有助于医学诊疗任务. Antoniades等[22 ] 提出基于自编码器(auto-encoder, AE)改进的深度学习模型,将EEG信号作为输入,最小化输出与真实SEEG信号间的交叉熵损失,实现由EEG到SEEG信号的生成. Hu等[23 ] 将EEG到SEEG这一转换任务分为两大步骤. 针对头皮脑电电极与颅内立体脑电电极之间映射关系的建立,提出两阶段的匹配策略,即同时考虑2种电极所记录到的信号间的相似性及2颗电极间的物理距离,确定最合适的一对一电极匹配关系. 使用幅度谱和瞬时频率谱来表征信号,提出谱相关注意力模块和加权预测模块. 前者能够保证生成的SEEG信号与输入的EEG信号之间具有关联性,后者主要针对生成信号中的毛刺现象这一问题进行解决,有效应对了潜在的模式崩塌. ...
A long short-term memory deep learning network for the prediction of epileptic seizures using EEG signals
2
2018
... 基于1.2.2节的几种EEG信号特征角度,本节介绍如何使用深度学习算法进行建模EEG信号的特征,提升下游分类或回归任务的准确性. EEG作为时序信号,具有时序数据共有的特性,即当前时间步的状态与历史时间步存在关联. 为了捕捉这种时序数据特有的特性,如表4 所示,Tsiouris等[24 ] 采用长短时记忆网络(long short-term memory, LSTM)对EEG进行建模,实现癫痫发作的预测. El-Fiqi等[25 ] 提出基于门控机制的自编码器结构——门控层自编码器(GLAE),以学习EEG序列内部不同变量间的内在关联,能够较好地应对EEG变量缺失或被污染的情形. ...
... Temporal feature extraction in EEG analysis based on deep learning
Tab.4 文献 主要贡献 网络架构 LSTM CNN AE GAN 文献[24 ] 提取出脑电图信号分析中最常用的各种统计特征作为深度模型LSTM的输入,证明了LSTM是预测癫痫发作的理想工具. √ — — — 文献[25 ] 在AE模型的基础上引入门控机制对输入向量进行部分遮蔽,促使编码层学习变量之间的关系,挖掘EEG序列内部不同变量间的内在关联,在重建恢复损坏的EEG数据方面具有优越的性能. — — √ — 文献[26 ] 通过CNN和AE的组合,捕获维度更低、信息量比例更大的EEG信号表示,适用于带宽有限、延时容忍度低的实时数据传输场景. — √ √ — 文献[27 ] 通过CNN提取EEG中蕴含的认知领域知识,对视觉刺激隐向量进行约束,在提高图像分类性能的同时,实现了由EEG图像认知特征生成对应的视觉图像的功能. — √ — √ 文献[28 ] 介绍并比较2种专门设计的自编码器学习EEG特征的策略,通道级自编码器专注于每个通道中的特征;图像级自编码器从整个片段中学习特征. — √ √ — 文献[29 ] 将EEG数据转化为一连串连续的保留拓扑结构的多光谱图像,保留EEG的空间、光谱和时间结构,从图像序列中学习信号的鲁棒表示,在心理负荷分类任务中表现 出优势. √ √ — —
除了使用基于序列特性而设计的LSTM或RNN等序列模型之外,部分研究者选择采用CNN对EEG的局部不变的时间特性进行建模. 由于2-D的CNN卷积核具有提取二维特征的能力,采用CNN结构的研究工作往往侧重于将EEG的时序特征结合其空间或频域特征一同考虑,通过联合建模2种甚至多种特征的方式获取更好的模型性能. Al-Marridi等[26 ] 设计基于CNN的自编码器结构,利用CNN的下采样操作对输入的多条EEG序列进行压缩,以获得维度更低、信息量比例更大的信号表示. Jiao等[27 ] 使用CNN捕捉多通道EEG序列中与图像认知有关的隐向量特征,使其更接近于对应图像所处的隐向量空间,从而在分类阶段,利用EEG表征弥补了认知域和视觉域之间的差距,对不同视觉刺激诱发的EEG记录进行分类. 在视觉刺激生成阶段,利用视觉引导的脑电图表征来提高生成的性能. 利用改进的GAN模型,提高真实刺激的视觉表征与生成实例之间的一致性,从而提高生成图像的主观和客观质量,实现了从EEG图像认知特征生成对应视觉图像的功能. Yao等[28 ] 从通道独立和频域特征图像2个角度展开研究,使用基于不同维度的CNN卷积核构成的自编码器,从2种角度分别对EEG的时频、空间特征进行建模. ...
2
... 基于1.2.2节的几种EEG信号特征角度,本节介绍如何使用深度学习算法进行建模EEG信号的特征,提升下游分类或回归任务的准确性. EEG作为时序信号,具有时序数据共有的特性,即当前时间步的状态与历史时间步存在关联. 为了捕捉这种时序数据特有的特性,如表4 所示,Tsiouris等[24 ] 采用长短时记忆网络(long short-term memory, LSTM)对EEG进行建模,实现癫痫发作的预测. El-Fiqi等[25 ] 提出基于门控机制的自编码器结构——门控层自编码器(GLAE),以学习EEG序列内部不同变量间的内在关联,能够较好地应对EEG变量缺失或被污染的情形. ...
... Temporal feature extraction in EEG analysis based on deep learning
Tab.4 文献 主要贡献 网络架构 LSTM CNN AE GAN 文献[24 ] 提取出脑电图信号分析中最常用的各种统计特征作为深度模型LSTM的输入,证明了LSTM是预测癫痫发作的理想工具. √ — — — 文献[25 ] 在AE模型的基础上引入门控机制对输入向量进行部分遮蔽,促使编码层学习变量之间的关系,挖掘EEG序列内部不同变量间的内在关联,在重建恢复损坏的EEG数据方面具有优越的性能. — — √ — 文献[26 ] 通过CNN和AE的组合,捕获维度更低、信息量比例更大的EEG信号表示,适用于带宽有限、延时容忍度低的实时数据传输场景. — √ √ — 文献[27 ] 通过CNN提取EEG中蕴含的认知领域知识,对视觉刺激隐向量进行约束,在提高图像分类性能的同时,实现了由EEG图像认知特征生成对应的视觉图像的功能. — √ — √ 文献[28 ] 介绍并比较2种专门设计的自编码器学习EEG特征的策略,通道级自编码器专注于每个通道中的特征;图像级自编码器从整个片段中学习特征. — √ √ — 文献[29 ] 将EEG数据转化为一连串连续的保留拓扑结构的多光谱图像,保留EEG的空间、光谱和时间结构,从图像序列中学习信号的鲁棒表示,在心理负荷分类任务中表现 出优势. √ √ — —
除了使用基于序列特性而设计的LSTM或RNN等序列模型之外,部分研究者选择采用CNN对EEG的局部不变的时间特性进行建模. 由于2-D的CNN卷积核具有提取二维特征的能力,采用CNN结构的研究工作往往侧重于将EEG的时序特征结合其空间或频域特征一同考虑,通过联合建模2种甚至多种特征的方式获取更好的模型性能. Al-Marridi等[26 ] 设计基于CNN的自编码器结构,利用CNN的下采样操作对输入的多条EEG序列进行压缩,以获得维度更低、信息量比例更大的信号表示. Jiao等[27 ] 使用CNN捕捉多通道EEG序列中与图像认知有关的隐向量特征,使其更接近于对应图像所处的隐向量空间,从而在分类阶段,利用EEG表征弥补了认知域和视觉域之间的差距,对不同视觉刺激诱发的EEG记录进行分类. 在视觉刺激生成阶段,利用视觉引导的脑电图表征来提高生成的性能. 利用改进的GAN模型,提高真实刺激的视觉表征与生成实例之间的一致性,从而提高生成图像的主观和客观质量,实现了从EEG图像认知特征生成对应视觉图像的功能. Yao等[28 ] 从通道独立和频域特征图像2个角度展开研究,使用基于不同维度的CNN卷积核构成的自编码器,从2种角度分别对EEG的时频、空间特征进行建模. ...
2
... Temporal feature extraction in EEG analysis based on deep learning
Tab.4 文献 主要贡献 网络架构 LSTM CNN AE GAN 文献[24 ] 提取出脑电图信号分析中最常用的各种统计特征作为深度模型LSTM的输入,证明了LSTM是预测癫痫发作的理想工具. √ — — — 文献[25 ] 在AE模型的基础上引入门控机制对输入向量进行部分遮蔽,促使编码层学习变量之间的关系,挖掘EEG序列内部不同变量间的内在关联,在重建恢复损坏的EEG数据方面具有优越的性能. — — √ — 文献[26 ] 通过CNN和AE的组合,捕获维度更低、信息量比例更大的EEG信号表示,适用于带宽有限、延时容忍度低的实时数据传输场景. — √ √ — 文献[27 ] 通过CNN提取EEG中蕴含的认知领域知识,对视觉刺激隐向量进行约束,在提高图像分类性能的同时,实现了由EEG图像认知特征生成对应的视觉图像的功能. — √ — √ 文献[28 ] 介绍并比较2种专门设计的自编码器学习EEG特征的策略,通道级自编码器专注于每个通道中的特征;图像级自编码器从整个片段中学习特征. — √ √ — 文献[29 ] 将EEG数据转化为一连串连续的保留拓扑结构的多光谱图像,保留EEG的空间、光谱和时间结构,从图像序列中学习信号的鲁棒表示,在心理负荷分类任务中表现 出优势. √ √ — —
除了使用基于序列特性而设计的LSTM或RNN等序列模型之外,部分研究者选择采用CNN对EEG的局部不变的时间特性进行建模. 由于2-D的CNN卷积核具有提取二维特征的能力,采用CNN结构的研究工作往往侧重于将EEG的时序特征结合其空间或频域特征一同考虑,通过联合建模2种甚至多种特征的方式获取更好的模型性能. Al-Marridi等[26 ] 设计基于CNN的自编码器结构,利用CNN的下采样操作对输入的多条EEG序列进行压缩,以获得维度更低、信息量比例更大的信号表示. Jiao等[27 ] 使用CNN捕捉多通道EEG序列中与图像认知有关的隐向量特征,使其更接近于对应图像所处的隐向量空间,从而在分类阶段,利用EEG表征弥补了认知域和视觉域之间的差距,对不同视觉刺激诱发的EEG记录进行分类. 在视觉刺激生成阶段,利用视觉引导的脑电图表征来提高生成的性能. 利用改进的GAN模型,提高真实刺激的视觉表征与生成实例之间的一致性,从而提高生成图像的主观和客观质量,实现了从EEG图像认知特征生成对应视觉图像的功能. Yao等[28 ] 从通道独立和频域特征图像2个角度展开研究,使用基于不同维度的CNN卷积核构成的自编码器,从2种角度分别对EEG的时频、空间特征进行建模. ...
... 除了使用基于序列特性而设计的LSTM或RNN等序列模型之外,部分研究者选择采用CNN对EEG的局部不变的时间特性进行建模. 由于2-D的CNN卷积核具有提取二维特征的能力,采用CNN结构的研究工作往往侧重于将EEG的时序特征结合其空间或频域特征一同考虑,通过联合建模2种甚至多种特征的方式获取更好的模型性能. Al-Marridi等[26 ] 设计基于CNN的自编码器结构,利用CNN的下采样操作对输入的多条EEG序列进行压缩,以获得维度更低、信息量比例更大的信号表示. Jiao等[27 ] 使用CNN捕捉多通道EEG序列中与图像认知有关的隐向量特征,使其更接近于对应图像所处的隐向量空间,从而在分类阶段,利用EEG表征弥补了认知域和视觉域之间的差距,对不同视觉刺激诱发的EEG记录进行分类. 在视觉刺激生成阶段,利用视觉引导的脑电图表征来提高生成的性能. 利用改进的GAN模型,提高真实刺激的视觉表征与生成实例之间的一致性,从而提高生成图像的主观和客观质量,实现了从EEG图像认知特征生成对应视觉图像的功能. Yao等[28 ] 从通道独立和频域特征图像2个角度展开研究,使用基于不同维度的CNN卷积核构成的自编码器,从2种角度分别对EEG的时频、空间特征进行建模. ...
2
... Temporal feature extraction in EEG analysis based on deep learning
Tab.4 文献 主要贡献 网络架构 LSTM CNN AE GAN 文献[24 ] 提取出脑电图信号分析中最常用的各种统计特征作为深度模型LSTM的输入,证明了LSTM是预测癫痫发作的理想工具. √ — — — 文献[25 ] 在AE模型的基础上引入门控机制对输入向量进行部分遮蔽,促使编码层学习变量之间的关系,挖掘EEG序列内部不同变量间的内在关联,在重建恢复损坏的EEG数据方面具有优越的性能. — — √ — 文献[26 ] 通过CNN和AE的组合,捕获维度更低、信息量比例更大的EEG信号表示,适用于带宽有限、延时容忍度低的实时数据传输场景. — √ √ — 文献[27 ] 通过CNN提取EEG中蕴含的认知领域知识,对视觉刺激隐向量进行约束,在提高图像分类性能的同时,实现了由EEG图像认知特征生成对应的视觉图像的功能. — √ — √ 文献[28 ] 介绍并比较2种专门设计的自编码器学习EEG特征的策略,通道级自编码器专注于每个通道中的特征;图像级自编码器从整个片段中学习特征. — √ √ — 文献[29 ] 将EEG数据转化为一连串连续的保留拓扑结构的多光谱图像,保留EEG的空间、光谱和时间结构,从图像序列中学习信号的鲁棒表示,在心理负荷分类任务中表现 出优势. √ √ — —
除了使用基于序列特性而设计的LSTM或RNN等序列模型之外,部分研究者选择采用CNN对EEG的局部不变的时间特性进行建模. 由于2-D的CNN卷积核具有提取二维特征的能力,采用CNN结构的研究工作往往侧重于将EEG的时序特征结合其空间或频域特征一同考虑,通过联合建模2种甚至多种特征的方式获取更好的模型性能. Al-Marridi等[26 ] 设计基于CNN的自编码器结构,利用CNN的下采样操作对输入的多条EEG序列进行压缩,以获得维度更低、信息量比例更大的信号表示. Jiao等[27 ] 使用CNN捕捉多通道EEG序列中与图像认知有关的隐向量特征,使其更接近于对应图像所处的隐向量空间,从而在分类阶段,利用EEG表征弥补了认知域和视觉域之间的差距,对不同视觉刺激诱发的EEG记录进行分类. 在视觉刺激生成阶段,利用视觉引导的脑电图表征来提高生成的性能. 利用改进的GAN模型,提高真实刺激的视觉表征与生成实例之间的一致性,从而提高生成图像的主观和客观质量,实现了从EEG图像认知特征生成对应视觉图像的功能. Yao等[28 ] 从通道独立和频域特征图像2个角度展开研究,使用基于不同维度的CNN卷积核构成的自编码器,从2种角度分别对EEG的时频、空间特征进行建模. ...
... 除了使用基于序列特性而设计的LSTM或RNN等序列模型之外,部分研究者选择采用CNN对EEG的局部不变的时间特性进行建模. 由于2-D的CNN卷积核具有提取二维特征的能力,采用CNN结构的研究工作往往侧重于将EEG的时序特征结合其空间或频域特征一同考虑,通过联合建模2种甚至多种特征的方式获取更好的模型性能. Al-Marridi等[26 ] 设计基于CNN的自编码器结构,利用CNN的下采样操作对输入的多条EEG序列进行压缩,以获得维度更低、信息量比例更大的信号表示. Jiao等[27 ] 使用CNN捕捉多通道EEG序列中与图像认知有关的隐向量特征,使其更接近于对应图像所处的隐向量空间,从而在分类阶段,利用EEG表征弥补了认知域和视觉域之间的差距,对不同视觉刺激诱发的EEG记录进行分类. 在视觉刺激生成阶段,利用视觉引导的脑电图表征来提高生成的性能. 利用改进的GAN模型,提高真实刺激的视觉表征与生成实例之间的一致性,从而提高生成图像的主观和客观质量,实现了从EEG图像认知特征生成对应视觉图像的功能. Yao等[28 ] 从通道独立和频域特征图像2个角度展开研究,使用基于不同维度的CNN卷积核构成的自编码器,从2种角度分别对EEG的时频、空间特征进行建模. ...
2
... Temporal feature extraction in EEG analysis based on deep learning
Tab.4 文献 主要贡献 网络架构 LSTM CNN AE GAN 文献[24 ] 提取出脑电图信号分析中最常用的各种统计特征作为深度模型LSTM的输入,证明了LSTM是预测癫痫发作的理想工具. √ — — — 文献[25 ] 在AE模型的基础上引入门控机制对输入向量进行部分遮蔽,促使编码层学习变量之间的关系,挖掘EEG序列内部不同变量间的内在关联,在重建恢复损坏的EEG数据方面具有优越的性能. — — √ — 文献[26 ] 通过CNN和AE的组合,捕获维度更低、信息量比例更大的EEG信号表示,适用于带宽有限、延时容忍度低的实时数据传输场景. — √ √ — 文献[27 ] 通过CNN提取EEG中蕴含的认知领域知识,对视觉刺激隐向量进行约束,在提高图像分类性能的同时,实现了由EEG图像认知特征生成对应的视觉图像的功能. — √ — √ 文献[28 ] 介绍并比较2种专门设计的自编码器学习EEG特征的策略,通道级自编码器专注于每个通道中的特征;图像级自编码器从整个片段中学习特征. — √ √ — 文献[29 ] 将EEG数据转化为一连串连续的保留拓扑结构的多光谱图像,保留EEG的空间、光谱和时间结构,从图像序列中学习信号的鲁棒表示,在心理负荷分类任务中表现 出优势. √ √ — —
除了使用基于序列特性而设计的LSTM或RNN等序列模型之外,部分研究者选择采用CNN对EEG的局部不变的时间特性进行建模. 由于2-D的CNN卷积核具有提取二维特征的能力,采用CNN结构的研究工作往往侧重于将EEG的时序特征结合其空间或频域特征一同考虑,通过联合建模2种甚至多种特征的方式获取更好的模型性能. Al-Marridi等[26 ] 设计基于CNN的自编码器结构,利用CNN的下采样操作对输入的多条EEG序列进行压缩,以获得维度更低、信息量比例更大的信号表示. Jiao等[27 ] 使用CNN捕捉多通道EEG序列中与图像认知有关的隐向量特征,使其更接近于对应图像所处的隐向量空间,从而在分类阶段,利用EEG表征弥补了认知域和视觉域之间的差距,对不同视觉刺激诱发的EEG记录进行分类. 在视觉刺激生成阶段,利用视觉引导的脑电图表征来提高生成的性能. 利用改进的GAN模型,提高真实刺激的视觉表征与生成实例之间的一致性,从而提高生成图像的主观和客观质量,实现了从EEG图像认知特征生成对应视觉图像的功能. Yao等[28 ] 从通道独立和频域特征图像2个角度展开研究,使用基于不同维度的CNN卷积核构成的自编码器,从2种角度分别对EEG的时频、空间特征进行建模. ...
... 除了使用基于序列特性而设计的LSTM或RNN等序列模型之外,部分研究者选择采用CNN对EEG的局部不变的时间特性进行建模. 由于2-D的CNN卷积核具有提取二维特征的能力,采用CNN结构的研究工作往往侧重于将EEG的时序特征结合其空间或频域特征一同考虑,通过联合建模2种甚至多种特征的方式获取更好的模型性能. Al-Marridi等[26 ] 设计基于CNN的自编码器结构,利用CNN的下采样操作对输入的多条EEG序列进行压缩,以获得维度更低、信息量比例更大的信号表示. Jiao等[27 ] 使用CNN捕捉多通道EEG序列中与图像认知有关的隐向量特征,使其更接近于对应图像所处的隐向量空间,从而在分类阶段,利用EEG表征弥补了认知域和视觉域之间的差距,对不同视觉刺激诱发的EEG记录进行分类. 在视觉刺激生成阶段,利用视觉引导的脑电图表征来提高生成的性能. 利用改进的GAN模型,提高真实刺激的视觉表征与生成实例之间的一致性,从而提高生成图像的主观和客观质量,实现了从EEG图像认知特征生成对应视觉图像的功能. Yao等[28 ] 从通道独立和频域特征图像2个角度展开研究,使用基于不同维度的CNN卷积核构成的自编码器,从2种角度分别对EEG的时频、空间特征进行建模. ...
1
... Temporal feature extraction in EEG analysis based on deep learning
Tab.4 文献 主要贡献 网络架构 LSTM CNN AE GAN 文献[24 ] 提取出脑电图信号分析中最常用的各种统计特征作为深度模型LSTM的输入,证明了LSTM是预测癫痫发作的理想工具. √ — — — 文献[25 ] 在AE模型的基础上引入门控机制对输入向量进行部分遮蔽,促使编码层学习变量之间的关系,挖掘EEG序列内部不同变量间的内在关联,在重建恢复损坏的EEG数据方面具有优越的性能. — — √ — 文献[26 ] 通过CNN和AE的组合,捕获维度更低、信息量比例更大的EEG信号表示,适用于带宽有限、延时容忍度低的实时数据传输场景. — √ √ — 文献[27 ] 通过CNN提取EEG中蕴含的认知领域知识,对视觉刺激隐向量进行约束,在提高图像分类性能的同时,实现了由EEG图像认知特征生成对应的视觉图像的功能. — √ — √ 文献[28 ] 介绍并比较2种专门设计的自编码器学习EEG特征的策略,通道级自编码器专注于每个通道中的特征;图像级自编码器从整个片段中学习特征. — √ √ — 文献[29 ] 将EEG数据转化为一连串连续的保留拓扑结构的多光谱图像,保留EEG的空间、光谱和时间结构,从图像序列中学习信号的鲁棒表示,在心理负荷分类任务中表现 出优势. √ √ — —
除了使用基于序列特性而设计的LSTM或RNN等序列模型之外,部分研究者选择采用CNN对EEG的局部不变的时间特性进行建模. 由于2-D的CNN卷积核具有提取二维特征的能力,采用CNN结构的研究工作往往侧重于将EEG的时序特征结合其空间或频域特征一同考虑,通过联合建模2种甚至多种特征的方式获取更好的模型性能. Al-Marridi等[26 ] 设计基于CNN的自编码器结构,利用CNN的下采样操作对输入的多条EEG序列进行压缩,以获得维度更低、信息量比例更大的信号表示. Jiao等[27 ] 使用CNN捕捉多通道EEG序列中与图像认知有关的隐向量特征,使其更接近于对应图像所处的隐向量空间,从而在分类阶段,利用EEG表征弥补了认知域和视觉域之间的差距,对不同视觉刺激诱发的EEG记录进行分类. 在视觉刺激生成阶段,利用视觉引导的脑电图表征来提高生成的性能. 利用改进的GAN模型,提高真实刺激的视觉表征与生成实例之间的一致性,从而提高生成图像的主观和客观质量,实现了从EEG图像认知特征生成对应视觉图像的功能. Yao等[28 ] 从通道独立和频域特征图像2个角度展开研究,使用基于不同维度的CNN卷积核构成的自编码器,从2种角度分别对EEG的时频、空间特征进行建模. ...
3
... 如表5 所示,基于脑电固有的频段特征,Yu等[30 -31 ] 将原始信号分解至δ 、θ 、α 等子波段,在子波段依次提取特征后再进行融合. Yu等[30 ] 提出新的分类框架,将不同波段特征向量进行拼接,输入卷积神经网络,能够客观识别强直性冷痛状态. Prasanth等[31 ] 在癫痫检测任务上,采用CNN架构,将原始 EEG 和频率子波段作为输入特征,对不同的输入特征组合进行性能评估. ...
... [30 ]提出新的分类框架,将不同波段特征向量进行拼接,输入卷积神经网络,能够客观识别强直性冷痛状态. Prasanth等[31 ] 在癫痫检测任务上,采用CNN架构,将原始 EEG 和频率子波段作为输入特征,对不同的输入特征组合进行性能评估. ...
... Frequency feature extraction in EEG analysis based on deep learning
Tab.5 文献 频域分解方式 特征提取/融合方式 文献[30 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段 将每个波段对应的特征向量直接连接 文献[31 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将多个子波段堆叠输入网络 文献[32 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,将相邻的波段结合形成不同尺度 采用自适应的权重学习方法,对不同尺度的分类结果进行融合 文献[33 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,为每个受试者自适应地挑选最优波段 将多个波段的输出直接连接 文献[34 ] 提取$ \theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将每个波段视为RGB中的一个通道,使用基于CNN的自编码器进行特征提取 文献[35 ] 将8~30 Hz分解至10个子波段,每个子波段宽为4 Hz,且相邻子波段之间的重叠频带为2 Hz 将输入视为图像格式,沿着频率轴滑动卷积核 文献[36 ] 捕获频率≥2 Hz的信息 为每个特定频率学习多个空间滤波器 文献[37 ] — 使用由小波核启发的时频滤波器 文献[38 ] — 将复杂网络表示扩展至频域,使用序列卷积从连续频率中学 习特征
在频域分解与子波段选择的角度,Shen等[32 -34 ] 进行了进一步的创新. Shen等[32 ] 提出多尺度波段集成学习方法,实现基于EEG信号的情绪识别. Miao等[33 ] 提出基于EEG的情绪识别框架,能够为每个受试者自适应地挑选最优波段,在每个波段,分别应用相同的3维深度残差网络架构提取特征,将不同波段的输出进行融合,输入softmax层得到最终的分类结果. Yao等[34 ] 将短期EEG信号转化为图像,依次提取θ 、α 、β 3种波段,计算这些波段平方绝对值的和,得到64×3的矩阵. 将每个波段视为RGB中的一个通道,利用等距方位投影方法将64×3的矩阵转换为32×32×3的图像格式,然后使用基于CNN的自编码器进行特征提取. ...
3
... 如表5 所示,基于脑电固有的频段特征,Yu等[30 -31 ] 将原始信号分解至δ 、θ 、α 等子波段,在子波段依次提取特征后再进行融合. Yu等[30 ] 提出新的分类框架,将不同波段特征向量进行拼接,输入卷积神经网络,能够客观识别强直性冷痛状态. Prasanth等[31 ] 在癫痫检测任务上,采用CNN架构,将原始 EEG 和频率子波段作为输入特征,对不同的输入特征组合进行性能评估. ...
... [31 ]在癫痫检测任务上,采用CNN架构,将原始 EEG 和频率子波段作为输入特征,对不同的输入特征组合进行性能评估. ...
... Frequency feature extraction in EEG analysis based on deep learning
Tab.5 文献 频域分解方式 特征提取/融合方式 文献[30 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段 将每个波段对应的特征向量直接连接 文献[31 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将多个子波段堆叠输入网络 文献[32 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,将相邻的波段结合形成不同尺度 采用自适应的权重学习方法,对不同尺度的分类结果进行融合 文献[33 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,为每个受试者自适应地挑选最优波段 将多个波段的输出直接连接 文献[34 ] 提取$ \theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将每个波段视为RGB中的一个通道,使用基于CNN的自编码器进行特征提取 文献[35 ] 将8~30 Hz分解至10个子波段,每个子波段宽为4 Hz,且相邻子波段之间的重叠频带为2 Hz 将输入视为图像格式,沿着频率轴滑动卷积核 文献[36 ] 捕获频率≥2 Hz的信息 为每个特定频率学习多个空间滤波器 文献[37 ] — 使用由小波核启发的时频滤波器 文献[38 ] — 将复杂网络表示扩展至频域,使用序列卷积从连续频率中学 习特征
在频域分解与子波段选择的角度,Shen等[32 -34 ] 进行了进一步的创新. Shen等[32 ] 提出多尺度波段集成学习方法,实现基于EEG信号的情绪识别. Miao等[33 ] 提出基于EEG的情绪识别框架,能够为每个受试者自适应地挑选最优波段,在每个波段,分别应用相同的3维深度残差网络架构提取特征,将不同波段的输出进行融合,输入softmax层得到最终的分类结果. Yao等[34 ] 将短期EEG信号转化为图像,依次提取θ 、α 、β 3种波段,计算这些波段平方绝对值的和,得到64×3的矩阵. 将每个波段视为RGB中的一个通道,利用等距方位投影方法将64×3的矩阵转换为32×32×3的图像格式,然后使用基于CNN的自编码器进行特征提取. ...
3
... Frequency feature extraction in EEG analysis based on deep learning
Tab.5 文献 频域分解方式 特征提取/融合方式 文献[30 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段 将每个波段对应的特征向量直接连接 文献[31 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将多个子波段堆叠输入网络 文献[32 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,将相邻的波段结合形成不同尺度 采用自适应的权重学习方法,对不同尺度的分类结果进行融合 文献[33 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,为每个受试者自适应地挑选最优波段 将多个波段的输出直接连接 文献[34 ] 提取$ \theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将每个波段视为RGB中的一个通道,使用基于CNN的自编码器进行特征提取 文献[35 ] 将8~30 Hz分解至10个子波段,每个子波段宽为4 Hz,且相邻子波段之间的重叠频带为2 Hz 将输入视为图像格式,沿着频率轴滑动卷积核 文献[36 ] 捕获频率≥2 Hz的信息 为每个特定频率学习多个空间滤波器 文献[37 ] — 使用由小波核启发的时频滤波器 文献[38 ] — 将复杂网络表示扩展至频域,使用序列卷积从连续频率中学 习特征
在频域分解与子波段选择的角度,Shen等[32 -34 ] 进行了进一步的创新. Shen等[32 ] 提出多尺度波段集成学习方法,实现基于EEG信号的情绪识别. Miao等[33 ] 提出基于EEG的情绪识别框架,能够为每个受试者自适应地挑选最优波段,在每个波段,分别应用相同的3维深度残差网络架构提取特征,将不同波段的输出进行融合,输入softmax层得到最终的分类结果. Yao等[34 ] 将短期EEG信号转化为图像,依次提取θ 、α 、β 3种波段,计算这些波段平方绝对值的和,得到64×3的矩阵. 将每个波段视为RGB中的一个通道,利用等距方位投影方法将64×3的矩阵转换为32×32×3的图像格式,然后使用基于CNN的自编码器进行特征提取. ...
... 在频域分解与子波段选择的角度,Shen等[32 -34 ] 进行了进一步的创新. Shen等[32 ] 提出多尺度波段集成学习方法,实现基于EEG信号的情绪识别. Miao等[33 ] 提出基于EEG的情绪识别框架,能够为每个受试者自适应地挑选最优波段,在每个波段,分别应用相同的3维深度残差网络架构提取特征,将不同波段的输出进行融合,输入softmax层得到最终的分类结果. Yao等[34 ] 将短期EEG信号转化为图像,依次提取θ 、α 、β 3种波段,计算这些波段平方绝对值的和,得到64×3的矩阵. 将每个波段视为RGB中的一个通道,利用等距方位投影方法将64×3的矩阵转换为32×32×3的图像格式,然后使用基于CNN的自编码器进行特征提取. ...
... [32 ]提出多尺度波段集成学习方法,实现基于EEG信号的情绪识别. Miao等[33 ] 提出基于EEG的情绪识别框架,能够为每个受试者自适应地挑选最优波段,在每个波段,分别应用相同的3维深度残差网络架构提取特征,将不同波段的输出进行融合,输入softmax层得到最终的分类结果. Yao等[34 ] 将短期EEG信号转化为图像,依次提取θ 、α 、β 3种波段,计算这些波段平方绝对值的和,得到64×3的矩阵. 将每个波段视为RGB中的一个通道,利用等距方位投影方法将64×3的矩阵转换为32×32×3的图像格式,然后使用基于CNN的自编码器进行特征提取. ...
2
... Frequency feature extraction in EEG analysis based on deep learning
Tab.5 文献 频域分解方式 特征提取/融合方式 文献[30 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段 将每个波段对应的特征向量直接连接 文献[31 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将多个子波段堆叠输入网络 文献[32 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,将相邻的波段结合形成不同尺度 采用自适应的权重学习方法,对不同尺度的分类结果进行融合 文献[33 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,为每个受试者自适应地挑选最优波段 将多个波段的输出直接连接 文献[34 ] 提取$ \theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将每个波段视为RGB中的一个通道,使用基于CNN的自编码器进行特征提取 文献[35 ] 将8~30 Hz分解至10个子波段,每个子波段宽为4 Hz,且相邻子波段之间的重叠频带为2 Hz 将输入视为图像格式,沿着频率轴滑动卷积核 文献[36 ] 捕获频率≥2 Hz的信息 为每个特定频率学习多个空间滤波器 文献[37 ] — 使用由小波核启发的时频滤波器 文献[38 ] — 将复杂网络表示扩展至频域,使用序列卷积从连续频率中学 习特征
在频域分解与子波段选择的角度,Shen等[32 -34 ] 进行了进一步的创新. Shen等[32 ] 提出多尺度波段集成学习方法,实现基于EEG信号的情绪识别. Miao等[33 ] 提出基于EEG的情绪识别框架,能够为每个受试者自适应地挑选最优波段,在每个波段,分别应用相同的3维深度残差网络架构提取特征,将不同波段的输出进行融合,输入softmax层得到最终的分类结果. Yao等[34 ] 将短期EEG信号转化为图像,依次提取θ 、α 、β 3种波段,计算这些波段平方绝对值的和,得到64×3的矩阵. 将每个波段视为RGB中的一个通道,利用等距方位投影方法将64×3的矩阵转换为32×32×3的图像格式,然后使用基于CNN的自编码器进行特征提取. ...
... 在频域分解与子波段选择的角度,Shen等[32 -34 ] 进行了进一步的创新. Shen等[32 ] 提出多尺度波段集成学习方法,实现基于EEG信号的情绪识别. Miao等[33 ] 提出基于EEG的情绪识别框架,能够为每个受试者自适应地挑选最优波段,在每个波段,分别应用相同的3维深度残差网络架构提取特征,将不同波段的输出进行融合,输入softmax层得到最终的分类结果. Yao等[34 ] 将短期EEG信号转化为图像,依次提取θ 、α 、β 3种波段,计算这些波段平方绝对值的和,得到64×3的矩阵. 将每个波段视为RGB中的一个通道,利用等距方位投影方法将64×3的矩阵转换为32×32×3的图像格式,然后使用基于CNN的自编码器进行特征提取. ...
3
... Frequency feature extraction in EEG analysis based on deep learning
Tab.5 文献 频域分解方式 特征提取/融合方式 文献[30 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段 将每个波段对应的特征向量直接连接 文献[31 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将多个子波段堆叠输入网络 文献[32 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,将相邻的波段结合形成不同尺度 采用自适应的权重学习方法,对不同尺度的分类结果进行融合 文献[33 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,为每个受试者自适应地挑选最优波段 将多个波段的输出直接连接 文献[34 ] 提取$ \theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将每个波段视为RGB中的一个通道,使用基于CNN的自编码器进行特征提取 文献[35 ] 将8~30 Hz分解至10个子波段,每个子波段宽为4 Hz,且相邻子波段之间的重叠频带为2 Hz 将输入视为图像格式,沿着频率轴滑动卷积核 文献[36 ] 捕获频率≥2 Hz的信息 为每个特定频率学习多个空间滤波器 文献[37 ] — 使用由小波核启发的时频滤波器 文献[38 ] — 将复杂网络表示扩展至频域,使用序列卷积从连续频率中学 习特征
在频域分解与子波段选择的角度,Shen等[32 -34 ] 进行了进一步的创新. Shen等[32 ] 提出多尺度波段集成学习方法,实现基于EEG信号的情绪识别. Miao等[33 ] 提出基于EEG的情绪识别框架,能够为每个受试者自适应地挑选最优波段,在每个波段,分别应用相同的3维深度残差网络架构提取特征,将不同波段的输出进行融合,输入softmax层得到最终的分类结果. Yao等[34 ] 将短期EEG信号转化为图像,依次提取θ 、α 、β 3种波段,计算这些波段平方绝对值的和,得到64×3的矩阵. 将每个波段视为RGB中的一个通道,利用等距方位投影方法将64×3的矩阵转换为32×32×3的图像格式,然后使用基于CNN的自编码器进行特征提取. ...
... 在频域分解与子波段选择的角度,Shen等[32 -34 ] 进行了进一步的创新. Shen等[32 ] 提出多尺度波段集成学习方法,实现基于EEG信号的情绪识别. Miao等[33 ] 提出基于EEG的情绪识别框架,能够为每个受试者自适应地挑选最优波段,在每个波段,分别应用相同的3维深度残差网络架构提取特征,将不同波段的输出进行融合,输入softmax层得到最终的分类结果. Yao等[34 ] 将短期EEG信号转化为图像,依次提取θ 、α 、β 3种波段,计算这些波段平方绝对值的和,得到64×3的矩阵. 将每个波段视为RGB中的一个通道,利用等距方位投影方法将64×3的矩阵转换为32×32×3的图像格式,然后使用基于CNN的自编码器进行特征提取. ...
... [34 ]将短期EEG信号转化为图像,依次提取θ 、α 、β 3种波段,计算这些波段平方绝对值的和,得到64×3的矩阵. 将每个波段视为RGB中的一个通道,利用等距方位投影方法将64×3的矩阵转换为32×32×3的图像格式,然后使用基于CNN的自编码器进行特征提取. ...
1
... Frequency feature extraction in EEG analysis based on deep learning
Tab.5 文献 频域分解方式 特征提取/融合方式 文献[30 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段 将每个波段对应的特征向量直接连接 文献[31 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将多个子波段堆叠输入网络 文献[32 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,将相邻的波段结合形成不同尺度 采用自适应的权重学习方法,对不同尺度的分类结果进行融合 文献[33 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,为每个受试者自适应地挑选最优波段 将多个波段的输出直接连接 文献[34 ] 提取$ \theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将每个波段视为RGB中的一个通道,使用基于CNN的自编码器进行特征提取 文献[35 ] 将8~30 Hz分解至10个子波段,每个子波段宽为4 Hz,且相邻子波段之间的重叠频带为2 Hz 将输入视为图像格式,沿着频率轴滑动卷积核 文献[36 ] 捕获频率≥2 Hz的信息 为每个特定频率学习多个空间滤波器 文献[37 ] — 使用由小波核启发的时频滤波器 文献[38 ] — 将复杂网络表示扩展至频域,使用序列卷积从连续频率中学 习特征
在频域分解与子波段选择的角度,Shen等[32 -34 ] 进行了进一步的创新. Shen等[32 ] 提出多尺度波段集成学习方法,实现基于EEG信号的情绪识别. Miao等[33 ] 提出基于EEG的情绪识别框架,能够为每个受试者自适应地挑选最优波段,在每个波段,分别应用相同的3维深度残差网络架构提取特征,将不同波段的输出进行融合,输入softmax层得到最终的分类结果. Yao等[34 ] 将短期EEG信号转化为图像,依次提取θ 、α 、β 3种波段,计算这些波段平方绝对值的和,得到64×3的矩阵. 将每个波段视为RGB中的一个通道,利用等距方位投影方法将64×3的矩阵转换为32×32×3的图像格式,然后使用基于CNN的自编码器进行特征提取. ...
EE-GNet: a compact convolutional network for EEG-based brain-computer interfaces
4
2018
... Frequency feature extraction in EEG analysis based on deep learning
Tab.5 文献 频域分解方式 特征提取/融合方式 文献[30 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段 将每个波段对应的特征向量直接连接 文献[31 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将多个子波段堆叠输入网络 文献[32 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,将相邻的波段结合形成不同尺度 采用自适应的权重学习方法,对不同尺度的分类结果进行融合 文献[33 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,为每个受试者自适应地挑选最优波段 将多个波段的输出直接连接 文献[34 ] 提取$ \theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将每个波段视为RGB中的一个通道,使用基于CNN的自编码器进行特征提取 文献[35 ] 将8~30 Hz分解至10个子波段,每个子波段宽为4 Hz,且相邻子波段之间的重叠频带为2 Hz 将输入视为图像格式,沿着频率轴滑动卷积核 文献[36 ] 捕获频率≥2 Hz的信息 为每个特定频率学习多个空间滤波器 文献[37 ] — 使用由小波核启发的时频滤波器 文献[38 ] — 将复杂网络表示扩展至频域,使用序列卷积从连续频率中学 习特征
在频域分解与子波段选择的角度,Shen等[32 -34 ] 进行了进一步的创新. Shen等[32 ] 提出多尺度波段集成学习方法,实现基于EEG信号的情绪识别. Miao等[33 ] 提出基于EEG的情绪识别框架,能够为每个受试者自适应地挑选最优波段,在每个波段,分别应用相同的3维深度残差网络架构提取特征,将不同波段的输出进行融合,输入softmax层得到最终的分类结果. Yao等[34 ] 将短期EEG信号转化为图像,依次提取θ 、α 、β 3种波段,计算这些波段平方绝对值的和,得到64×3的矩阵. 将每个波段视为RGB中的一个通道,利用等距方位投影方法将64×3的矩阵转换为32×32×3的图像格式,然后使用基于CNN的自编码器进行特征提取. ...
... Lawhern等[36 -37 ] 采用卷积核,直接提取频率特征. Lawhern等[36 ] 提出的EEGNet 将不同尺寸的CNN卷积核看作是不同规格的信号滤波器,CNN网络沿着时间轴的卷积操作是从原始信号中提取不同频率成分的过程. EEGNet通过采用适应原始信号采样频率的卷积核尺寸来构建卷积神经网络. 假设模型输入为尺寸为(C , T )的多通道信号数据,其中C 为通道数,T 为序列长度. Lawhern等[36 ] 采用尺寸为(1, 64)的2-D卷积核,旨在捕获原始信号中频率≥2 Hz的信号成分. 通过尺寸为(C , 1)的深度卷积核,让模型可以学习到各个频段内不同通道之间的关联. 为了清晰地分离所得特征图内部以及相互之间的关联性,采用尺寸为(1, 16)的2-D卷积操作,然后是尺寸为(1, 1)的逐点卷积操作. 通过结合这两种不同尺寸的卷积操作,模型能够独立地提取各个通道、各个频段中最主要的特征,并通过逐点卷积对它们进行融合,完成最终的特征提取任务. Zhao等[37 ] 提出结合小波变换和空间滤波的卷积网络,端到端地解码EEG信号. ...
... [36 ]提出的EEGNet 将不同尺寸的CNN卷积核看作是不同规格的信号滤波器,CNN网络沿着时间轴的卷积操作是从原始信号中提取不同频率成分的过程. EEGNet通过采用适应原始信号采样频率的卷积核尺寸来构建卷积神经网络. 假设模型输入为尺寸为(C , T )的多通道信号数据,其中C 为通道数,T 为序列长度. Lawhern等[36 ] 采用尺寸为(1, 64)的2-D卷积核,旨在捕获原始信号中频率≥2 Hz的信号成分. 通过尺寸为(C , 1)的深度卷积核,让模型可以学习到各个频段内不同通道之间的关联. 为了清晰地分离所得特征图内部以及相互之间的关联性,采用尺寸为(1, 16)的2-D卷积操作,然后是尺寸为(1, 1)的逐点卷积操作. 通过结合这两种不同尺寸的卷积操作,模型能够独立地提取各个通道、各个频段中最主要的特征,并通过逐点卷积对它们进行融合,完成最终的特征提取任务. Zhao等[37 ] 提出结合小波变换和空间滤波的卷积网络,端到端地解码EEG信号. ...
... [36 ]采用尺寸为(1, 64)的2-D卷积核,旨在捕获原始信号中频率≥2 Hz的信号成分. 通过尺寸为(C , 1)的深度卷积核,让模型可以学习到各个频段内不同通道之间的关联. 为了清晰地分离所得特征图内部以及相互之间的关联性,采用尺寸为(1, 16)的2-D卷积操作,然后是尺寸为(1, 1)的逐点卷积操作. 通过结合这两种不同尺寸的卷积操作,模型能够独立地提取各个通道、各个频段中最主要的特征,并通过逐点卷积对它们进行融合,完成最终的特征提取任务. Zhao等[37 ] 提出结合小波变换和空间滤波的卷积网络,端到端地解码EEG信号. ...
Learning joint space-time-frequency features for EEG decoding on small labeled data
3
2019
... Frequency feature extraction in EEG analysis based on deep learning
Tab.5 文献 频域分解方式 特征提取/融合方式 文献[30 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段 将每个波段对应的特征向量直接连接 文献[31 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将多个子波段堆叠输入网络 文献[32 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,将相邻的波段结合形成不同尺度 采用自适应的权重学习方法,对不同尺度的分类结果进行融合 文献[33 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,为每个受试者自适应地挑选最优波段 将多个波段的输出直接连接 文献[34 ] 提取$ \theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将每个波段视为RGB中的一个通道,使用基于CNN的自编码器进行特征提取 文献[35 ] 将8~30 Hz分解至10个子波段,每个子波段宽为4 Hz,且相邻子波段之间的重叠频带为2 Hz 将输入视为图像格式,沿着频率轴滑动卷积核 文献[36 ] 捕获频率≥2 Hz的信息 为每个特定频率学习多个空间滤波器 文献[37 ] — 使用由小波核启发的时频滤波器 文献[38 ] — 将复杂网络表示扩展至频域,使用序列卷积从连续频率中学 习特征
在频域分解与子波段选择的角度,Shen等[32 -34 ] 进行了进一步的创新. Shen等[32 ] 提出多尺度波段集成学习方法,实现基于EEG信号的情绪识别. Miao等[33 ] 提出基于EEG的情绪识别框架,能够为每个受试者自适应地挑选最优波段,在每个波段,分别应用相同的3维深度残差网络架构提取特征,将不同波段的输出进行融合,输入softmax层得到最终的分类结果. Yao等[34 ] 将短期EEG信号转化为图像,依次提取θ 、α 、β 3种波段,计算这些波段平方绝对值的和,得到64×3的矩阵. 将每个波段视为RGB中的一个通道,利用等距方位投影方法将64×3的矩阵转换为32×32×3的图像格式,然后使用基于CNN的自编码器进行特征提取. ...
... Lawhern等[36 -37 ] 采用卷积核,直接提取频率特征. Lawhern等[36 ] 提出的EEGNet 将不同尺寸的CNN卷积核看作是不同规格的信号滤波器,CNN网络沿着时间轴的卷积操作是从原始信号中提取不同频率成分的过程. EEGNet通过采用适应原始信号采样频率的卷积核尺寸来构建卷积神经网络. 假设模型输入为尺寸为(C , T )的多通道信号数据,其中C 为通道数,T 为序列长度. Lawhern等[36 ] 采用尺寸为(1, 64)的2-D卷积核,旨在捕获原始信号中频率≥2 Hz的信号成分. 通过尺寸为(C , 1)的深度卷积核,让模型可以学习到各个频段内不同通道之间的关联. 为了清晰地分离所得特征图内部以及相互之间的关联性,采用尺寸为(1, 16)的2-D卷积操作,然后是尺寸为(1, 1)的逐点卷积操作. 通过结合这两种不同尺寸的卷积操作,模型能够独立地提取各个通道、各个频段中最主要的特征,并通过逐点卷积对它们进行融合,完成最终的特征提取任务. Zhao等[37 ] 提出结合小波变换和空间滤波的卷积网络,端到端地解码EEG信号. ...
... [37 ]提出结合小波变换和空间滤波的卷积网络,端到端地解码EEG信号. ...
2
... Frequency feature extraction in EEG analysis based on deep learning
Tab.5 文献 频域分解方式 特征提取/融合方式 文献[30 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段 将每个波段对应的特征向量直接连接 文献[31 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将多个子波段堆叠输入网络 文献[32 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,将相邻的波段结合形成不同尺度 采用自适应的权重学习方法,对不同尺度的分类结果进行融合 文献[33 ] 提取$ \delta \mathrm{、}\theta \mathrm{、}\alpha \mathrm{、}\beta \mathrm{、}\gamma $ 波段,为每个受试者自适应地挑选最优波段 将多个波段的输出直接连接 文献[34 ] 提取$ \theta \mathrm{、}\alpha \mathrm{、}\beta $ 波段 将每个波段视为RGB中的一个通道,使用基于CNN的自编码器进行特征提取 文献[35 ] 将8~30 Hz分解至10个子波段,每个子波段宽为4 Hz,且相邻子波段之间的重叠频带为2 Hz 将输入视为图像格式,沿着频率轴滑动卷积核 文献[36 ] 捕获频率≥2 Hz的信息 为每个特定频率学习多个空间滤波器 文献[37 ] — 使用由小波核启发的时频滤波器 文献[38 ] — 将复杂网络表示扩展至频域,使用序列卷积从连续频率中学 习特征
在频域分解与子波段选择的角度,Shen等[32 -34 ] 进行了进一步的创新. Shen等[32 ] 提出多尺度波段集成学习方法,实现基于EEG信号的情绪识别. Miao等[33 ] 提出基于EEG的情绪识别框架,能够为每个受试者自适应地挑选最优波段,在每个波段,分别应用相同的3维深度残差网络架构提取特征,将不同波段的输出进行融合,输入softmax层得到最终的分类结果. Yao等[34 ] 将短期EEG信号转化为图像,依次提取θ 、α 、β 3种波段,计算这些波段平方绝对值的和,得到64×3的矩阵. 将每个波段视为RGB中的一个通道,利用等距方位投影方法将64×3的矩阵转换为32×32×3的图像格式,然后使用基于CNN的自编码器进行特征提取. ...
... 采用频域特征的另一优势是能够消除相位偏移对时域特征的影响,尤其是考虑在EEG信号上建立图表示时,基于频域表征建立的图比基于时域信号建立的图更具有鲁棒性. 比如,Wang等[38 ] 为EEG的频域表征建立图表示,构建复杂网络(complex network). ...
3
... Spatial feature extraction in EEG analysis based on deep learning
Tab.6 模型 文献 主要贡献 使用技术 注意力 机制 信道 建模 空间 信息 频域 信息 时域 信息 SPDNet RNN 文献[39 ] 提出EEG协方差矩阵的时空融合方法,利用整个EEG信号的协方差矩阵提取时空特征,通过EEG通道之间的时空变化来研究驾驶员疲劳检测. — — √ — √ RACNN 文献[40 ] 分别对不同脑功能区的频谱特征进行卷积计算学习EEG频谱-时空特征,利用注意力机制加权聚合各脑功能区特征,鼓励对最重要的区域赋予更大的注意力权重,揭示不同脑区EEG数据与任务存在的动态相关性. √ — — √ √ RGNN 文献[41 ] 考虑不同脑区之间的不同生物拓扑结构,捕捉EEG信道之间的局部和全局关系,采用符合生物原理的稀疏邻接矩阵捕捉局部和全局EEG通道间的关系. 实验结果表明,对于情感识别,前额叶、枕叶和顶叶可能是信息量最大的区域. — √ — — — IAG 文献[44 ] 采用额外分支融合空间信息和频率信息,自适应表征不同EEG通道间的内在动态关系,为EEG情绪识别加入更多的特征. — √ √ √ — MD-AGCN 文献[45 ] 纳入来自时间域、频域和脑功能连接的脑电图信息,将EEG的时域和频域与通道的拓扑结构相结合,以自适应的方式学习与情绪相关的大脑功能连接 — √ — √ √
给定原始的多通道EEG信号矩阵$ \boldsymbol{X}\in {\bf{R}}^{C\times T} $ . 为了建立多通道间的关联,Zhang等[39 ] 采用黎曼网络架构,利用满秩矩阵$ {\boldsymbol{W}}_{1} $ 对$ \boldsymbol{X} $ 进行双线性插值$ {{\boldsymbol{X}}}_{1}={{{\boldsymbol{W}}}}_{1}{{\boldsymbol{X}}}{{{\boldsymbol{W}}}}_{1}^{{\mathrm{T}}} $ ,通过对$ {{\boldsymbol{X}}}_{1} $ 进行特征值分解,可得由特征向量组成的矩阵$ {{\boldsymbol{U}}}_{1} $ 及其对应的特征值组成的对角矩阵$ {\boldsymbol{\varLambda}}_{1} $ . 使用预设阈值组成的对角矩阵$ {\boldsymbol{\zeta}} $ 替代$ {\boldsymbol{\varLambda}}_{1} $ 中较小的特征值,可得$ {{\boldsymbol{X}}}_{2}={{\boldsymbol{U}}}_{1}{\boldsymbol{{\mathrm{max}}}}\;({{{\boldsymbol{\varLambda}} }}_{1},{\boldsymbol{\zeta}} ){{\boldsymbol{U}}}_{1}^{{\mathrm{T}}} $ , 从而保证了所得矩阵的正定性质. 为了将所得流形映射至更为平坦的空间,以便经典的欧式空间计算得以应用,Zhang等[39 ] 对特征值进行对数运算后,将其作为空间特征提取的最终形式并输出. ...
... 给定原始的多通道EEG信号矩阵$ \boldsymbol{X}\in {\bf{R}}^{C\times T} $ . 为了建立多通道间的关联,Zhang等[39 ] 采用黎曼网络架构,利用满秩矩阵$ {\boldsymbol{W}}_{1} $ 对$ \boldsymbol{X} $ 进行双线性插值$ {{\boldsymbol{X}}}_{1}={{{\boldsymbol{W}}}}_{1}{{\boldsymbol{X}}}{{{\boldsymbol{W}}}}_{1}^{{\mathrm{T}}} $ ,通过对$ {{\boldsymbol{X}}}_{1} $ 进行特征值分解,可得由特征向量组成的矩阵$ {{\boldsymbol{U}}}_{1} $ 及其对应的特征值组成的对角矩阵$ {\boldsymbol{\varLambda}}_{1} $ . 使用预设阈值组成的对角矩阵$ {\boldsymbol{\zeta}} $ 替代$ {\boldsymbol{\varLambda}}_{1} $ 中较小的特征值,可得$ {{\boldsymbol{X}}}_{2}={{\boldsymbol{U}}}_{1}{\boldsymbol{{\mathrm{max}}}}\;({{{\boldsymbol{\varLambda}} }}_{1},{\boldsymbol{\zeta}} ){{\boldsymbol{U}}}_{1}^{{\mathrm{T}}} $ , 从而保证了所得矩阵的正定性质. 为了将所得流形映射至更为平坦的空间,以便经典的欧式空间计算得以应用,Zhang等[39 ] 对特征值进行对数运算后,将其作为空间特征提取的最终形式并输出. ...
... [39 ]对特征值进行对数运算后,将其作为空间特征提取的最终形式并输出. ...
2
... Spatial feature extraction in EEG analysis based on deep learning
Tab.6 模型 文献 主要贡献 使用技术 注意力 机制 信道 建模 空间 信息 频域 信息 时域 信息 SPDNet RNN 文献[39 ] 提出EEG协方差矩阵的时空融合方法,利用整个EEG信号的协方差矩阵提取时空特征,通过EEG通道之间的时空变化来研究驾驶员疲劳检测. — — √ — √ RACNN 文献[40 ] 分别对不同脑功能区的频谱特征进行卷积计算学习EEG频谱-时空特征,利用注意力机制加权聚合各脑功能区特征,鼓励对最重要的区域赋予更大的注意力权重,揭示不同脑区EEG数据与任务存在的动态相关性. √ — — √ √ RGNN 文献[41 ] 考虑不同脑区之间的不同生物拓扑结构,捕捉EEG信道之间的局部和全局关系,采用符合生物原理的稀疏邻接矩阵捕捉局部和全局EEG通道间的关系. 实验结果表明,对于情感识别,前额叶、枕叶和顶叶可能是信息量最大的区域. — √ — — — IAG 文献[44 ] 采用额外分支融合空间信息和频率信息,自适应表征不同EEG通道间的内在动态关系,为EEG情绪识别加入更多的特征. — √ √ √ — MD-AGCN 文献[45 ] 纳入来自时间域、频域和脑功能连接的脑电图信息,将EEG的时域和频域与通道的拓扑结构相结合,以自适应的方式学习与情绪相关的大脑功能连接 — √ — √ √
给定原始的多通道EEG信号矩阵$ \boldsymbol{X}\in {\bf{R}}^{C\times T} $ . 为了建立多通道间的关联,Zhang等[39 ] 采用黎曼网络架构,利用满秩矩阵$ {\boldsymbol{W}}_{1} $ 对$ \boldsymbol{X} $ 进行双线性插值$ {{\boldsymbol{X}}}_{1}={{{\boldsymbol{W}}}}_{1}{{\boldsymbol{X}}}{{{\boldsymbol{W}}}}_{1}^{{\mathrm{T}}} $ ,通过对$ {{\boldsymbol{X}}}_{1} $ 进行特征值分解,可得由特征向量组成的矩阵$ {{\boldsymbol{U}}}_{1} $ 及其对应的特征值组成的对角矩阵$ {\boldsymbol{\varLambda}}_{1} $ . 使用预设阈值组成的对角矩阵$ {\boldsymbol{\zeta}} $ 替代$ {\boldsymbol{\varLambda}}_{1} $ 中较小的特征值,可得$ {{\boldsymbol{X}}}_{2}={{\boldsymbol{U}}}_{1}{\boldsymbol{{\mathrm{max}}}}\;({{{\boldsymbol{\varLambda}} }}_{1},{\boldsymbol{\zeta}} ){{\boldsymbol{U}}}_{1}^{{\mathrm{T}}} $ , 从而保证了所得矩阵的正定性质. 为了将所得流形映射至更为平坦的空间,以便经典的欧式空间计算得以应用,Zhang等[39 ] 对特征值进行对数运算后,将其作为空间特征提取的最终形式并输出. ...
... 大脑结构可以根据功能性关联,划分为不同的脑功能区. 利用这一医学依据作为切入点,Fang等[40 ] 提出区域注意力卷积神经网络,将功能区的概念融入模型设计中,以更好地完成运动意图识别的任务. ...
EEG-based emotion recognition using regularized graph neural networks
2
2020
... Spatial feature extraction in EEG analysis based on deep learning
Tab.6 模型 文献 主要贡献 使用技术 注意力 机制 信道 建模 空间 信息 频域 信息 时域 信息 SPDNet RNN 文献[39 ] 提出EEG协方差矩阵的时空融合方法,利用整个EEG信号的协方差矩阵提取时空特征,通过EEG通道之间的时空变化来研究驾驶员疲劳检测. — — √ — √ RACNN 文献[40 ] 分别对不同脑功能区的频谱特征进行卷积计算学习EEG频谱-时空特征,利用注意力机制加权聚合各脑功能区特征,鼓励对最重要的区域赋予更大的注意力权重,揭示不同脑区EEG数据与任务存在的动态相关性. √ — — √ √ RGNN 文献[41 ] 考虑不同脑区之间的不同生物拓扑结构,捕捉EEG信道之间的局部和全局关系,采用符合生物原理的稀疏邻接矩阵捕捉局部和全局EEG通道间的关系. 实验结果表明,对于情感识别,前额叶、枕叶和顶叶可能是信息量最大的区域. — √ — — — IAG 文献[44 ] 采用额外分支融合空间信息和频率信息,自适应表征不同EEG通道间的内在动态关系,为EEG情绪识别加入更多的特征. — √ √ √ — MD-AGCN 文献[45 ] 纳入来自时间域、频域和脑功能连接的脑电图信息,将EEG的时域和频域与通道的拓扑结构相结合,以自适应的方式学习与情绪相关的大脑功能连接 — √ — √ √
给定原始的多通道EEG信号矩阵$ \boldsymbol{X}\in {\bf{R}}^{C\times T} $ . 为了建立多通道间的关联,Zhang等[39 ] 采用黎曼网络架构,利用满秩矩阵$ {\boldsymbol{W}}_{1} $ 对$ \boldsymbol{X} $ 进行双线性插值$ {{\boldsymbol{X}}}_{1}={{{\boldsymbol{W}}}}_{1}{{\boldsymbol{X}}}{{{\boldsymbol{W}}}}_{1}^{{\mathrm{T}}} $ ,通过对$ {{\boldsymbol{X}}}_{1} $ 进行特征值分解,可得由特征向量组成的矩阵$ {{\boldsymbol{U}}}_{1} $ 及其对应的特征值组成的对角矩阵$ {\boldsymbol{\varLambda}}_{1} $ . 使用预设阈值组成的对角矩阵$ {\boldsymbol{\zeta}} $ 替代$ {\boldsymbol{\varLambda}}_{1} $ 中较小的特征值,可得$ {{\boldsymbol{X}}}_{2}={{\boldsymbol{U}}}_{1}{\boldsymbol{{\mathrm{max}}}}\;({{{\boldsymbol{\varLambda}} }}_{1},{\boldsymbol{\zeta}} ){{\boldsymbol{U}}}_{1}^{{\mathrm{T}}} $ , 从而保证了所得矩阵的正定性质. 为了将所得流形映射至更为平坦的空间,以便经典的欧式空间计算得以应用,Zhang等[39 ] 对特征值进行对数运算后,将其作为空间特征提取的最终形式并输出. ...
... Zhong等[41 ] 基于不同脑区活动间的关联性随物理距离呈现平方反比变化的假设,定义EEG通道间的图结构,设无向无环图的邻接矩阵为$ {{\boldsymbol{A}}}\in {\bf{R}}^{C\times C} $ ,定义结点边权重为$ {A}_{ij}={{\mathrm{min}}}\left(1,{\delta/}{{{d}}^{2}_{ij}}\right) $ ,其中$ {d}_{ij} $ 为第$ i $ 和$ j $ 个E通道间的物理距离. 通过控制非负超参$ \delta $ 的取值,筛去了20%关联性较小的边. 对于情感识别任务,Schmidt等[42 -43 ] 的研究表明,左、右半脑神经元的非对称性活动能够提供丰富的识别信息. 为了建模这一先验知识,研究者通过修改邻接矩阵对应边的权重,对由经验性实验结果选定的分布于左、右半脑侧向的电极对之间搭建全局连通路径$ {A}_{ij}={A}_{ij}-1 $ ,其中$ ij $ 表示选定的电极对. 采用每个通道所记录的EEG片段的差分熵作为结点的属性,利用简单图卷积网络完成对定义的图结构的特征提取. ...
Frontal brain electrical activity (EEG) distinguishes valence and intensity of musical emotions
1
2001
... Zhong等[41 ] 基于不同脑区活动间的关联性随物理距离呈现平方反比变化的假设,定义EEG通道间的图结构,设无向无环图的邻接矩阵为$ {{\boldsymbol{A}}}\in {\bf{R}}^{C\times C} $ ,定义结点边权重为$ {A}_{ij}={{\mathrm{min}}}\left(1,{\delta/}{{{d}}^{2}_{ij}}\right) $ ,其中$ {d}_{ij} $ 为第$ i $ 和$ j $ 个E通道间的物理距离. 通过控制非负超参$ \delta $ 的取值,筛去了20%关联性较小的边. 对于情感识别任务,Schmidt等[42 -43 ] 的研究表明,左、右半脑神经元的非对称性活动能够提供丰富的识别信息. 为了建模这一先验知识,研究者通过修改邻接矩阵对应边的权重,对由经验性实验结果选定的分布于左、右半脑侧向的电极对之间搭建全局连通路径$ {A}_{ij}={A}_{ij}-1 $ ,其中$ ij $ 表示选定的电极对. 采用每个通道所记录的EEG片段的差分熵作为结点的属性,利用简单图卷积网络完成对定义的图结构的特征提取. ...
A bi-hemisphere domain adversarial neural network model for EEG emotion recognition
2
2018
... Zhong等[41 ] 基于不同脑区活动间的关联性随物理距离呈现平方反比变化的假设,定义EEG通道间的图结构,设无向无环图的邻接矩阵为$ {{\boldsymbol{A}}}\in {\bf{R}}^{C\times C} $ ,定义结点边权重为$ {A}_{ij}={{\mathrm{min}}}\left(1,{\delta/}{{{d}}^{2}_{ij}}\right) $ ,其中$ {d}_{ij} $ 为第$ i $ 和$ j $ 个E通道间的物理距离. 通过控制非负超参$ \delta $ 的取值,筛去了20%关联性较小的边. 对于情感识别任务,Schmidt等[42 -43 ] 的研究表明,左、右半脑神经元的非对称性活动能够提供丰富的识别信息. 为了建模这一先验知识,研究者通过修改邻接矩阵对应边的权重,对由经验性实验结果选定的分布于左、右半脑侧向的电极对之间搭建全局连通路径$ {A}_{ij}={A}_{ij}-1 $ ,其中$ ij $ 表示选定的电极对. 采用每个通道所记录的EEG片段的差分熵作为结点的属性,利用简单图卷积网络完成对定义的图结构的特征提取. ...
... 结合文献[43 ,44 ]的优点,Li等[46 ] 通过分析EEG在时域、频域及空间3种角度的特点,针对情感识别任务,采用静态及动态2种构图方式. 采用皮尔森相关系数,计算不同EEG通道记录所得信号间的时序相关性,作为建立结点边的依据.根据人为设定的阈值,筛选出与情感识别任务最相关的若干条边,构建静态的功能性脑连接图. ...
4
... Spatial feature extraction in EEG analysis based on deep learning
Tab.6 模型 文献 主要贡献 使用技术 注意力 机制 信道 建模 空间 信息 频域 信息 时域 信息 SPDNet RNN 文献[39 ] 提出EEG协方差矩阵的时空融合方法,利用整个EEG信号的协方差矩阵提取时空特征,通过EEG通道之间的时空变化来研究驾驶员疲劳检测. — — √ — √ RACNN 文献[40 ] 分别对不同脑功能区的频谱特征进行卷积计算学习EEG频谱-时空特征,利用注意力机制加权聚合各脑功能区特征,鼓励对最重要的区域赋予更大的注意力权重,揭示不同脑区EEG数据与任务存在的动态相关性. √ — — √ √ RGNN 文献[41 ] 考虑不同脑区之间的不同生物拓扑结构,捕捉EEG信道之间的局部和全局关系,采用符合生物原理的稀疏邻接矩阵捕捉局部和全局EEG通道间的关系. 实验结果表明,对于情感识别,前额叶、枕叶和顶叶可能是信息量最大的区域. — √ — — — IAG 文献[44 ] 采用额外分支融合空间信息和频率信息,自适应表征不同EEG通道间的内在动态关系,为EEG情绪识别加入更多的特征. — √ √ √ — MD-AGCN 文献[45 ] 纳入来自时间域、频域和脑功能连接的脑电图信息,将EEG的时域和频域与通道的拓扑结构相结合,以自适应的方式学习与情绪相关的大脑功能连接 — √ — √ √
给定原始的多通道EEG信号矩阵$ \boldsymbol{X}\in {\bf{R}}^{C\times T} $ . 为了建立多通道间的关联,Zhang等[39 ] 采用黎曼网络架构,利用满秩矩阵$ {\boldsymbol{W}}_{1} $ 对$ \boldsymbol{X} $ 进行双线性插值$ {{\boldsymbol{X}}}_{1}={{{\boldsymbol{W}}}}_{1}{{\boldsymbol{X}}}{{{\boldsymbol{W}}}}_{1}^{{\mathrm{T}}} $ ,通过对$ {{\boldsymbol{X}}}_{1} $ 进行特征值分解,可得由特征向量组成的矩阵$ {{\boldsymbol{U}}}_{1} $ 及其对应的特征值组成的对角矩阵$ {\boldsymbol{\varLambda}}_{1} $ . 使用预设阈值组成的对角矩阵$ {\boldsymbol{\zeta}} $ 替代$ {\boldsymbol{\varLambda}}_{1} $ 中较小的特征值,可得$ {{\boldsymbol{X}}}_{2}={{\boldsymbol{U}}}_{1}{\boldsymbol{{\mathrm{max}}}}\;({{{\boldsymbol{\varLambda}} }}_{1},{\boldsymbol{\zeta}} ){{\boldsymbol{U}}}_{1}^{{\mathrm{T}}} $ , 从而保证了所得矩阵的正定性质. 为了将所得流形映射至更为平坦的空间,以便经典的欧式空间计算得以应用,Zhang等[39 ] 对特征值进行对数运算后,将其作为空间特征提取的最终形式并输出. ...
... 通过预设方式构建的图结构往往是静态的. 静态图结构不依赖于输入信号的变化,而是依赖于先验知识的正确性,因此受制于静态结构的不变性. 为了适应可能来自不同受试者、不同会话情形的EEG片段,Song等[44 ,46 ] 考虑动态地构建图结构. Song等[44 ] 提出实例适应性图连接算法,通过可优化的参数矩阵学习EEG的空间关联及频域特征关联,实现动态建立邻接矩阵的目标. ...
... [44 ]提出实例适应性图连接算法,通过可优化的参数矩阵学习EEG的空间关联及频域特征关联,实现动态建立邻接矩阵的目标. ...
... 结合文献[43 ,44 ]的优点,Li等[46 ] 通过分析EEG在时域、频域及空间3种角度的特点,针对情感识别任务,采用静态及动态2种构图方式. 采用皮尔森相关系数,计算不同EEG通道记录所得信号间的时序相关性,作为建立结点边的依据.根据人为设定的阈值,筛选出与情感识别任务最相关的若干条边,构建静态的功能性脑连接图. ...
1
... Spatial feature extraction in EEG analysis based on deep learning
Tab.6 模型 文献 主要贡献 使用技术 注意力 机制 信道 建模 空间 信息 频域 信息 时域 信息 SPDNet RNN 文献[39 ] 提出EEG协方差矩阵的时空融合方法,利用整个EEG信号的协方差矩阵提取时空特征,通过EEG通道之间的时空变化来研究驾驶员疲劳检测. — — √ — √ RACNN 文献[40 ] 分别对不同脑功能区的频谱特征进行卷积计算学习EEG频谱-时空特征,利用注意力机制加权聚合各脑功能区特征,鼓励对最重要的区域赋予更大的注意力权重,揭示不同脑区EEG数据与任务存在的动态相关性. √ — — √ √ RGNN 文献[41 ] 考虑不同脑区之间的不同生物拓扑结构,捕捉EEG信道之间的局部和全局关系,采用符合生物原理的稀疏邻接矩阵捕捉局部和全局EEG通道间的关系. 实验结果表明,对于情感识别,前额叶、枕叶和顶叶可能是信息量最大的区域. — √ — — — IAG 文献[44 ] 采用额外分支融合空间信息和频率信息,自适应表征不同EEG通道间的内在动态关系,为EEG情绪识别加入更多的特征. — √ √ √ — MD-AGCN 文献[45 ] 纳入来自时间域、频域和脑功能连接的脑电图信息,将EEG的时域和频域与通道的拓扑结构相结合,以自适应的方式学习与情绪相关的大脑功能连接 — √ — √ √
给定原始的多通道EEG信号矩阵$ \boldsymbol{X}\in {\bf{R}}^{C\times T} $ . 为了建立多通道间的关联,Zhang等[39 ] 采用黎曼网络架构,利用满秩矩阵$ {\boldsymbol{W}}_{1} $ 对$ \boldsymbol{X} $ 进行双线性插值$ {{\boldsymbol{X}}}_{1}={{{\boldsymbol{W}}}}_{1}{{\boldsymbol{X}}}{{{\boldsymbol{W}}}}_{1}^{{\mathrm{T}}} $ ,通过对$ {{\boldsymbol{X}}}_{1} $ 进行特征值分解,可得由特征向量组成的矩阵$ {{\boldsymbol{U}}}_{1} $ 及其对应的特征值组成的对角矩阵$ {\boldsymbol{\varLambda}}_{1} $ . 使用预设阈值组成的对角矩阵$ {\boldsymbol{\zeta}} $ 替代$ {\boldsymbol{\varLambda}}_{1} $ 中较小的特征值,可得$ {{\boldsymbol{X}}}_{2}={{\boldsymbol{U}}}_{1}{\boldsymbol{{\mathrm{max}}}}\;({{{\boldsymbol{\varLambda}} }}_{1},{\boldsymbol{\zeta}} ){{\boldsymbol{U}}}_{1}^{{\mathrm{T}}} $ , 从而保证了所得矩阵的正定性质. 为了将所得流形映射至更为平坦的空间,以便经典的欧式空间计算得以应用,Zhang等[39 ] 对特征值进行对数运算后,将其作为空间特征提取的最终形式并输出. ...
Neural fragility as an EEG marker of the seizure onset zone
2
2021
... 通过预设方式构建的图结构往往是静态的. 静态图结构不依赖于输入信号的变化,而是依赖于先验知识的正确性,因此受制于静态结构的不变性. 为了适应可能来自不同受试者、不同会话情形的EEG片段,Song等[44 ,46 ] 考虑动态地构建图结构. Song等[44 ] 提出实例适应性图连接算法,通过可优化的参数矩阵学习EEG的空间关联及频域特征关联,实现动态建立邻接矩阵的目标. ...
... 结合文献[43 ,44 ]的优点,Li等[46 ] 通过分析EEG在时域、频域及空间3种角度的特点,针对情感识别任务,采用静态及动态2种构图方式. 采用皮尔森相关系数,计算不同EEG通道记录所得信号间的时序相关性,作为建立结点边的依据.根据人为设定的阈值,筛选出与情感识别任务最相关的若干条边,构建静态的功能性脑连接图. ...
Source-sink connectivity: a novel interictal EEG marker for seizure localization
1
2022
... EEG中的空间信息通常可以反映更完整的大脑状态,如表6 所示,现有的研究将来自时域、频域和大脑功能连接的EEG信息进行融合,在下游任务尤其是情绪识别上取得了很好的效果. 基于数据驱动学习到的脑功能连接拓扑结构在一定程度上能够反映功能性大脑连接与认知缺陷疾病的多种心理生理障碍有关,未来可以进一步辅助疾病的治疗,如辅助抑郁症的诊断. 已有的生物学实验表明,大脑信号的不稳定是大脑区域连接的变化所导致的,这种神经脆弱性导致癫痫发病. 基于脆弱性理论和线性动力系统,利用生成模型动态模拟癫痫发作间期每个电极通道如何影响其他电极,通过得出的每个电极的神经脆弱性,辅助癫痫的诊断和指导患者的手术治疗[47 ] ,值得未来进一步挖掘. EEG数据并非仅仅局限于时频和空间域,其中蕴含了许多个性化信息和生物信息,如何将这些信息融入深度学习模型中,是未来可以思考的. ...
BENDR: using transformers and a contrastive self-supervised learning task to learn from massive amounts of EEG data
3
2021
... Deep learning based EEG model generalization methods
Tab.7 训练目标 文献 主要贡献 使用技术 自监督 训练 域对抗 训练 数据 增强 多任务 学习 多视图 融合 知识 蒸馏 跨受试者 文献[48 ] 构建片段级别的EEG特征序列,引入自监督任务,整个体系结构 都可以被微调到各种下游脑机接口和EEG分类任务. √ — — — — — 跨受试者 文献[50 ] 引入对抗性训练的方式,减少个体差异的影响,提取具有域 不变性的EEG信号特征. — √ — — — — 跨任务 文献[51 ] 通过聚合空间拼接、频率拼接多任务的学习,避免模型在单个 下游任务上的过拟合. √ — — √ — — 跨视图 文献[52 ] 提出EEG的多视图增强策略,在训练过程中利用多视图的互补信息. √ — √ — √ — 跨模态 文献[54 ] 采用跨模态的知识蒸馏策略,减小头皮EEG和基于耳朵EEG的 睡眠分级之间的性能差距. — — — — — √ 跨数据集 文献[55 ] 提出时频一致性策略,促使基于时间的表示和基于频率的 表示彼此接近. √ — √ — √ —
对于跨受试者,Kostas等[48 ] 认为不同个体之间的EEG数据存在一定的差异性.受Bert[49 ] 的启发,Kostas等[48 ] 使用自监督训练目标来学习原始EEG信号的表示,从而有效利用大量未标记的EEG数据. ...
... 对于跨受试者,Kostas等[48 ] 认为不同个体之间的EEG数据存在一定的差异性.受Bert[49 ] 的启发,Kostas等[48 ] 使用自监督训练目标来学习原始EEG信号的表示,从而有效利用大量未标记的EEG数据. ...
... [48 ]使用自监督训练目标来学习原始EEG信号的表示,从而有效利用大量未标记的EEG数据. ...
1
... 对于跨受试者,Kostas等[48 ] 认为不同个体之间的EEG数据存在一定的差异性.受Bert[49 ] 的启发,Kostas等[48 ] 使用自监督训练目标来学习原始EEG信号的表示,从而有效利用大量未标记的EEG数据. ...
Multi-view spatial-temporal graph convolutional networks with domain generalization for sleep stage classification
2
2021
... Deep learning based EEG model generalization methods
Tab.7 训练目标 文献 主要贡献 使用技术 自监督 训练 域对抗 训练 数据 增强 多任务 学习 多视图 融合 知识 蒸馏 跨受试者 文献[48 ] 构建片段级别的EEG特征序列,引入自监督任务,整个体系结构 都可以被微调到各种下游脑机接口和EEG分类任务. √ — — — — — 跨受试者 文献[50 ] 引入对抗性训练的方式,减少个体差异的影响,提取具有域 不变性的EEG信号特征. — √ — — — — 跨任务 文献[51 ] 通过聚合空间拼接、频率拼接多任务的学习,避免模型在单个 下游任务上的过拟合. √ — — √ — — 跨视图 文献[52 ] 提出EEG的多视图增强策略,在训练过程中利用多视图的互补信息. √ — √ — √ — 跨模态 文献[54 ] 采用跨模态的知识蒸馏策略,减小头皮EEG和基于耳朵EEG的 睡眠分级之间的性能差距. — — — — — √ 跨数据集 文献[55 ] 提出时频一致性策略,促使基于时间的表示和基于频率的 表示彼此接近. √ — √ — √ —
对于跨受试者,Kostas等[48 ] 认为不同个体之间的EEG数据存在一定的差异性.受Bert[49 ] 的启发,Kostas等[48 ] 使用自监督训练目标来学习原始EEG信号的表示,从而有效利用大量未标记的EEG数据. ...
... 针对睡眠分类任务,为了学习与个体无关的睡眠特征,Jia等[50 ] 将域泛化方法与时空图卷积网络集成到统一的框架中. 依赖于单任务学习,可能导致过拟合,学习到的特征缺乏泛化性. 受到多任务学习的启发,可以结合不同的自监督任务来提高模型的泛化能力以及模型对噪声标签的处理能力. 为了提高模型的泛化能力,利用EEG数据特性来提高表征学习的质量,解决噪声标签带来的问题. Li等[51 ] 采用基于图的多任务自监督模型GMSS. 通过空间拼图任务,研究不同脑区的空间功能连接;采用频率拼图任务,捕获对下游任务较重要的频带,通过对比学习,提高同一EEG片段的不同增强数据之间的一致性. ...
2
... Deep learning based EEG model generalization methods
Tab.7 训练目标 文献 主要贡献 使用技术 自监督 训练 域对抗 训练 数据 增强 多任务 学习 多视图 融合 知识 蒸馏 跨受试者 文献[48 ] 构建片段级别的EEG特征序列,引入自监督任务,整个体系结构 都可以被微调到各种下游脑机接口和EEG分类任务. √ — — — — — 跨受试者 文献[50 ] 引入对抗性训练的方式,减少个体差异的影响,提取具有域 不变性的EEG信号特征. — √ — — — — 跨任务 文献[51 ] 通过聚合空间拼接、频率拼接多任务的学习,避免模型在单个 下游任务上的过拟合. √ — — √ — — 跨视图 文献[52 ] 提出EEG的多视图增强策略,在训练过程中利用多视图的互补信息. √ — √ — √ — 跨模态 文献[54 ] 采用跨模态的知识蒸馏策略,减小头皮EEG和基于耳朵EEG的 睡眠分级之间的性能差距. — — — — — √ 跨数据集 文献[55 ] 提出时频一致性策略,促使基于时间的表示和基于频率的 表示彼此接近. √ — √ — √ —
对于跨受试者,Kostas等[48 ] 认为不同个体之间的EEG数据存在一定的差异性.受Bert[49 ] 的启发,Kostas等[48 ] 使用自监督训练目标来学习原始EEG信号的表示,从而有效利用大量未标记的EEG数据. ...
... 针对睡眠分类任务,为了学习与个体无关的睡眠特征,Jia等[50 ] 将域泛化方法与时空图卷积网络集成到统一的框架中. 依赖于单任务学习,可能导致过拟合,学习到的特征缺乏泛化性. 受到多任务学习的启发,可以结合不同的自监督任务来提高模型的泛化能力以及模型对噪声标签的处理能力. 为了提高模型的泛化能力,利用EEG数据特性来提高表征学习的质量,解决噪声标签带来的问题. Li等[51 ] 采用基于图的多任务自监督模型GMSS. 通过空间拼图任务,研究不同脑区的空间功能连接;采用频率拼图任务,捕获对下游任务较重要的频带,通过对比学习,提高同一EEG片段的不同增强数据之间的一致性. ...
2
... Deep learning based EEG model generalization methods
Tab.7 训练目标 文献 主要贡献 使用技术 自监督 训练 域对抗 训练 数据 增强 多任务 学习 多视图 融合 知识 蒸馏 跨受试者 文献[48 ] 构建片段级别的EEG特征序列,引入自监督任务,整个体系结构 都可以被微调到各种下游脑机接口和EEG分类任务. √ — — — — — 跨受试者 文献[50 ] 引入对抗性训练的方式,减少个体差异的影响,提取具有域 不变性的EEG信号特征. — √ — — — — 跨任务 文献[51 ] 通过聚合空间拼接、频率拼接多任务的学习,避免模型在单个 下游任务上的过拟合. √ — — √ — — 跨视图 文献[52 ] 提出EEG的多视图增强策略,在训练过程中利用多视图的互补信息. √ — √ — √ — 跨模态 文献[54 ] 采用跨模态的知识蒸馏策略,减小头皮EEG和基于耳朵EEG的 睡眠分级之间的性能差距. — — — — — √ 跨数据集 文献[55 ] 提出时频一致性策略,促使基于时间的表示和基于频率的 表示彼此接近. √ — √ — √ —
对于跨受试者,Kostas等[48 ] 认为不同个体之间的EEG数据存在一定的差异性.受Bert[49 ] 的启发,Kostas等[48 ] 使用自监督训练目标来学习原始EEG信号的表示,从而有效利用大量未标记的EEG数据. ...
... 使用相互影响的多个视图来建模有效的表示具有挑战性. Kumar等[52 ] 提出多视图自监督学习方法mulEEG用于EEG表征学习,联合训练时间视图编码器和频谱视图编码器,该方法有效利用多视角之间的互补信息来学习更好的表征,提出diverse loss促进多视角信息互补. ...
On the key hole hypothesis: high mutual information between ear and scalp EEG
1
2017
... 基于耳部的EEG睡眠监测在舒适性和便携性方面具有明显的优势,但Mikkelsen等[53 ] 的工作表明,基于耳朵EEG的睡眠分级的性能不如基于头皮EEG的睡眠分级. 为了解决头皮EEG和基于耳朵EEG的睡眠分级之间的性能差距,Anandakumar等[54 ] 采用跨模态知识提取的蒸馏策略,迫使模型学习到的耳朵EEG特征表示与头皮EEG特征表示尽量相似,以提高基于耳朵EEG的睡眠分级的性能. ...
2
... Deep learning based EEG model generalization methods
Tab.7 训练目标 文献 主要贡献 使用技术 自监督 训练 域对抗 训练 数据 增强 多任务 学习 多视图 融合 知识 蒸馏 跨受试者 文献[48 ] 构建片段级别的EEG特征序列,引入自监督任务,整个体系结构 都可以被微调到各种下游脑机接口和EEG分类任务. √ — — — — — 跨受试者 文献[50 ] 引入对抗性训练的方式,减少个体差异的影响,提取具有域 不变性的EEG信号特征. — √ — — — — 跨任务 文献[51 ] 通过聚合空间拼接、频率拼接多任务的学习,避免模型在单个 下游任务上的过拟合. √ — — √ — — 跨视图 文献[52 ] 提出EEG的多视图增强策略,在训练过程中利用多视图的互补信息. √ — √ — √ — 跨模态 文献[54 ] 采用跨模态的知识蒸馏策略,减小头皮EEG和基于耳朵EEG的 睡眠分级之间的性能差距. — — — — — √ 跨数据集 文献[55 ] 提出时频一致性策略,促使基于时间的表示和基于频率的 表示彼此接近. √ — √ — √ —
对于跨受试者,Kostas等[48 ] 认为不同个体之间的EEG数据存在一定的差异性.受Bert[49 ] 的启发,Kostas等[48 ] 使用自监督训练目标来学习原始EEG信号的表示,从而有效利用大量未标记的EEG数据. ...
... 基于耳部的EEG睡眠监测在舒适性和便携性方面具有明显的优势,但Mikkelsen等[53 ] 的工作表明,基于耳朵EEG的睡眠分级的性能不如基于头皮EEG的睡眠分级. 为了解决头皮EEG和基于耳朵EEG的睡眠分级之间的性能差距,Anandakumar等[54 ] 采用跨模态知识提取的蒸馏策略,迫使模型学习到的耳朵EEG特征表示与头皮EEG特征表示尽量相似,以提高基于耳朵EEG的睡眠分级的性能. ...
2
... Deep learning based EEG model generalization methods
Tab.7 训练目标 文献 主要贡献 使用技术 自监督 训练 域对抗 训练 数据 增强 多任务 学习 多视图 融合 知识 蒸馏 跨受试者 文献[48 ] 构建片段级别的EEG特征序列,引入自监督任务,整个体系结构 都可以被微调到各种下游脑机接口和EEG分类任务. √ — — — — — 跨受试者 文献[50 ] 引入对抗性训练的方式,减少个体差异的影响,提取具有域 不变性的EEG信号特征. — √ — — — — 跨任务 文献[51 ] 通过聚合空间拼接、频率拼接多任务的学习,避免模型在单个 下游任务上的过拟合. √ — — √ — — 跨视图 文献[52 ] 提出EEG的多视图增强策略,在训练过程中利用多视图的互补信息. √ — √ — √ — 跨模态 文献[54 ] 采用跨模态的知识蒸馏策略,减小头皮EEG和基于耳朵EEG的 睡眠分级之间的性能差距. — — — — — √ 跨数据集 文献[55 ] 提出时频一致性策略,促使基于时间的表示和基于频率的 表示彼此接近. √ — √ — √ —
对于跨受试者,Kostas等[48 ] 认为不同个体之间的EEG数据存在一定的差异性.受Bert[49 ] 的启发,Kostas等[48 ] 使用自监督训练目标来学习原始EEG信号的表示,从而有效利用大量未标记的EEG数据. ...
... 针对数据集间动力学的巨大差异、语义信息的不同、不规则的采样、系统因素(不同设备或受试者)等,Zhang等[55 ] 提出时频一致性策略. 具体来说,假设$ {x}_{i} $ 为信号序列,F为满足TF-C的模型,则经过F后,基于时间的信号特征表示和基于频率的信号特征表示以及$ {x}_{i} $ 局部增强后得到的表示,在高维特征空间中应该彼此接近. ...