基于深度学习的EEG数据分析技术综述
钟博,王鹏飞,王乙乔,王晓玲

Survey of deep learning based EEG data analysis technology
Bo ZHONG,Pengfei WANG,Yiqiao WANG,Xiaoling WANG
表 4 基于深度学习的EEG时域特征提取方法
Tab.4 Temporal feature extraction in EEG analysis based on deep learning
文献主要贡献网络架构
LSTMCNNAEGAN
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.