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 6 基于深度学习的EEG空间特征提取方法

Tab.6 Spatial feature extraction in EEG analysis based on deep learning

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 — √ — √ √