脑电图分类任务中深度神经网络模型的数据增强:综述2021

最新推荐文章于 2024-08-27 09:25:46 发布

爱吃榴莲的妹妹

最新推荐文章于 2024-08-27 09:25:46 发布

阅读量4.1k

点赞数 4

分类专栏：论文研读 gan生成时间序列文章标签： dnn 人工智能深度学习

本文链接：https://blog.csdn.net/Crystalxxtt/article/details/128355505

版权

Data Augmentation for Deep Neural Networks Model in EEG Classification Task: A Review

脑电图（EEG）的分类是测量神经活动节奏振荡的关键方法，是脑机接口系统（BCI）的核心技术之一。然而，从非线性和非平稳的EEG信号中提取特征，在目前的算法中仍然是一项具有挑战性的任务。随着人工智能的发展，近年来已经提出了各种先进的算法用于信号分类。其中，深度神经网络（DNN）由于其端到端的结构和强大的自动特征提取能力，已经成为最具吸引力的一类方法。然而，在BCI的实际应用中很难收集大规模的数据集，这可能会导致分类器的过拟合或弱泛化。为了解决这些问题，人们提出了一种有希望的技术，以提高基于数据增强（DA）的解码模型的性能。在这篇文章中，我们调查了最近对基于DNN的EEG分类的各种DA策略的研究和发展。审查包括三部分：使用何种基于BCI的EEG范式，采用何种类型的DA方法来改进DNN模型，以及可获得何种准确性。我们的调查总结了当前的实践和性能结果，旨在促进或指导未来研究和开发中DA对EEG分类的部署。

1 Introduction

作为捕捉大脑活动意向的重要工具，脑电图（EEG）可以用来测量大脑的节律性振荡，反映大量神经元群体的同步活动（Atagün，2016）。节奏振荡与神经中枢的状态变化密切相关，直接反映了大脑的心理活动（Pfurtscheller，2000；Villena-González等人，2018）。脑机接口（BCI）是作为用户和计算机之间通信协议的典型应用之一，不依赖于大脑和肌肉的正常神经通路（Nicolas-Alonso和Gomez-Gil，2012）。根据EEG的生成类型，BCI可分为三种类型：非侵入性BCI、侵入性BCI和部分侵入性BCI（Rao，2013；Levitskaya和Lebedev，2016）。由于风险低、成本低和方便，基于EEG的非侵入性BCI是最受欢迎的BCI类型，也是本文讨论的主要类型。

在执行互动期间，EEG的自动分类是使BCI在应用中更加实用的重要步骤（Lotte等，2007）。然而，一些限制给分类算法带来了挑战（Boernama等，2021）。首先，EEG信号的振幅很弱，并且总是伴随着不相关的成分，其信噪比很低。其次，EEG的本质是神经元集群活动的潜在变化，是一种非稳态信号。在目前的研究中，机器学习和非线性理论的技术被广泛用于EEG分类（Lotte等人，2018）。然而，较长的校准时间和较弱的泛化能力限制了它们在实践中的应用。

在过去的几年里，深度神经网络（DNN）在图像、语音和自然文本处理领域取得了优异的成绩（Hinton等人，2012；Bengio等人，2013）。通过基于分层表示和映射的连续非线性转换，可以从输入数据中自动提取特征。由于其能够最大限度地减少冗余信息的干扰和非线性特征提取，基于DNN的EEG解码已经吸引了越来越多的关注。然而，获得预期结果的先决条件之一是支持大规模的数据集，以确保DNNs的鲁棒性和泛化能力（Nguyen等人，2015）。脑电图收集仍有一些挑战。首先，由于对实验环境和受试者有严格的要求，可能会导致过度拟合，增加模型的结构风险，所以很难收集大规模的数据（Zhang D. et al.）不仅如此，脑电信号极易受到心理和生理条件变化的影响，导致不同受试者/会话的特征分布具有高度的变异性（Zhang D. et al.）它不仅降低了解码模型的准确性，而且还限制了模型在独立测试集中的泛化。

一个有前途的方法是正则化（Yu等人，2008；Xie等人，2015），它可以有效提高DNN的泛化能力和鲁棒性。有三种方法可以实现正则化，包括在损失函数中加入项（如L2正则化），直接在模型中加入项（如dropout、批量正则化、核最大规范约束），以及数据增强（DA）。与前两种方法相比，DA通过使用更全面的数据集以最小化训练和测试数据集之间的距离来解决过拟合问题。这对脑电信号特别有用，因为小规模的数据集的限制极大地影响了分类器的性能。因此，研究人员越来越关注在EEG分类任务中使用DA的深度学习（DL）模型的优化问题。该方法的框架显示在图一。