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 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. √ √ — —