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.