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. | √ | — | √ | — | √ | — |
|
|
|