作者|Memory逆光
本文由作者授权分享
本文主要介绍了深度学习在EEG分析上的应用《Deep learning-based electroencephalography analysis: a systematic review》的综述,这是系列第一部分,总体概述。
下图是作者制作的思维导图,便于大家的理解,[可以放大看]
导读
脑电图(EEG)是一个复杂的信号,一个医生可能需要几年的训练并利用先进的信号处理和特征提取方法,才能正确解释其含义;
而如今机器学习和深度学习的发展,表明它们在从原始数据提取特征并分类方面有很大的潜力,因此这篇综述回顾了从 2010 年到 2018 年的 156 篇将 DL(Deep Learning,深度学习)应用在 EEG 的文章,这些论文涵盖了不同的应用领域,如枕测、睡眠、脑机接口、认知和情感监测,并从大量的文献中提取趋势并突出有趣的方法,以便为未来的研究提供信息并制定建议;
这篇综述将分析每个项目:1)数据、2)预处理方法、3)DL设计选择、4)结果和5)实验重现性;
分析
文中分析显示,不同研究中使用的脑电图数据的数量从不到 10 分钟到数千小时不等,而一个网络在训练期间训练的样本数量从几十个到数百万个不等;
超过一半的研究使用了公开的数据,而且在过去的几年里,研究方法也有明显的转变,从主体内研究转向了主体间研究;
约40%的研究使用了卷积神经网络(convolutional neural networks, CNNs),14 % 使用了递归神经网络(neural networks, RNNs),最常见的有 3-10层。此外,几乎一半的研究将他们的模型训练成原始或预处理的脑电图时间序列;
最后,在所有相关研究中,DL 方法相对于传统基线的准确率的提高均值为5.4 %;
文章中也注意到存在再现性差的问题:由于缺乏数据和代码,大多数论文将很难或不可能再现;
EEG信号分析
脑电图(EEG)是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映 ,包含了大量的生理与疾病信息,有如下特点:
因此源定位问题,或称反定位问题,是一个活跃的研究领域,在此领域中研究者开发了一些算法来重建给定脑电图记录的大脑信号源;
EEG的应用
EEG 有许多应用,例如:
当前 EEG 处理的困难点:
为了解决上面提到的一些问题,通常使用特定领域的处理方法,比如基于黎曼几何的分类器和自适应分类器能够成功地处理这些问题;
但是对于每个应用,大多数常见的实现都需要特定于领域的处理方法,这进一步降低了当前基于 EEG 技术的灵活性和泛化能力;
用深度学习改进 EEG 处理
深度学习能够对预处理、特征提取和分类模块进行端到端的自动学习,同时在目标任务上达到有竞争力的表现,因此作者在这里研究了深度学习方法应用到 EEG 处理的例子;
对于深度学习模型,数据处理方法如下:
即一般采用滑窗的形式截取多通道数据,得到输入数据,其中是通道数,是滑窗的长度,也可以将数据进行预处理或特征提取(如视频变换),得到.
对于不同的深度学习模型,主要分为三类:全连接神经网络(FC)、卷积神经网络(CNN)和循环神经网络(RNN),可以用来进行监督学习;
此外,在监督学习之外,可以构建其他体系结构和学习策略来训练没有可用标签的模型,例如自编码器(Autoencoders, AE)和生成对抗网络(Generative adversarial networks,GAN);
具体分析如下:
作者也分析了深度学习在 EEG 上应用可能存在的问题:
使用的术语:
综述的目标
本文通过对大量最新研究成果的分析,对基于动态分层的脑电信号处理的研究现状进行了系统的综述,为熟悉传统脑电图处理技术的研究人员和有兴趣将深度学习应用于其数据的研究人员提供了该领域的概述;
同时,它的目标是将深度学习应用于脑电图研究领域介绍给对扩展他们的算法基准数据类型感兴趣的研究人员,或者希望为脑电图研究做出贡献的研究人员;
本综述还提供了关于 DL-EEG 模型各组成部分的详细方法学信息;
除了报告趋势和突出有趣的方法外,本文还将文中的分析提炼为一些建议,以期促进该领域的可再生产和有效的研究;
更多具体方法介绍请关注下一篇
作者博客
https://blog.csdn.net/weixin_44936889/article/details/104676498
文章来源于网络,仅用于学术交流,不用于商业行为
若有侵权及疑问,请后台留言,管理员即时删侵!