基于深度学习的头皮脑电信息解码研究进展

发布时间：2024-02-03 20:23

　　头皮脑电(EEG)拥有毫秒级时间分辨力,可实时获取大脑意念认知、思维决策的神经电生理信息。EEG已广泛用于脑成像研究,并成为21世纪神经科学与工程研究开发的重要工具之一。但受颅内组织容积导电效应的影响,使其信噪比与空间分辨率较差,信息解码严重受阻。随着本世纪深度学习(DL)的快速兴起与深入发展,研究者开始尝试将深度学习与脑科学研究相结合,探究深度学习应用于脑电数据处理的新方法,并已取得瞩目的阶段性成果,但采用现有方法进行EEG信息解码仍面临诸多急需解决的难题。结合近些年深度学习在EEG数据处理领域的研究和应用,综合论述目前主流DNN模型结构在EEG信息解码领域的研究现状及进展成果,分析归纳其潜力优势与瓶颈难题及未来趋势,以促进深度学习解码脑电信息的研究更深入有效发展。

【文章页数】：14 页

【部分图文】：

图1使用短时傅里叶变换(STFT)计算所得EEG时频图像作为卷积神经网络(CNN)输入进行MI分类任务示例[21]

以上所述方法的共同点是将原始信号映射到另一空间，以压缩特征维度。而使用原始EEG数据，不仅可以省去这些数据处理步骤，同时还能最大限度地保持数据的客观性。因EEG信息并非都是二维呈现，这使常用的二维卷积核不能直接用于从原始EEG中提取特征;且图像处理领域的研究经验倾向于选择小卷积核....

图2时间-空间卷积网络[32]

图1使用短时傅里叶变换(STFT)计算所得EEG时频图像作为卷积神经网络(CNN)输入进行MI分类任务示例[21]目前，图2所示的二维矩阵形式的输入结构几乎已成为EEG数据处理的标准模式，但此种结构破坏了电极通道空间信息这一脑区功能的重要反映[35]。为最大限度地保留EEG的客....

图3情绪分类任务中第一层RBM的平均绝对权重分布(beta与gamma频段对应权重显著大于平均[71])

整体上，DBN是一种正在逐渐退出人们视线的网络，研究者往往将其作为一环嵌入模型的整体构建中，而非用来构建整个分类模型，如训练作为特征提取器。但是，作为一种相对透明的神经网络结构，DBN在可解释性与分析上拥有优势，使其更适用于基础研究。在多个研究中，使用了DBN作为探究深度网络结构....

图4通过脑电重建视觉图像

为验证通过EEG能否同样解码出视觉信息，意大利卡塔尼亚大学(UniversityofCatania)与美国中佛罗里达大学(UniversityofCentralFlorida)的研究团队选择了如图4所示的网络结构。团队进行视觉重建首先是使用LSTM对视图EEG分类，然后....

本文编号：3894625