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