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 7 基于深度学习的EEG模型泛化方法

Tab.7 Deep learning based EEG model generalization methods

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. √ — √ — √ —