EEGNet架构的整体可视化
直线表示输入和输出之间的卷积核连接(称为特征映射)。该网络从时间卷积(第二列)开始学习频率滤波器，然后使用深度卷积(中间列)，单独连接到每个特征图，以学习特定频率的空间滤波器。可分离卷积(第四列)是深度卷积的组合，深度卷积分别学习每个特征映射的时间总结，然后是逐点卷积，学习如何最优地混合特征映射。
EEGNet架构，其中C表示通道数量，T表示时间点数量，F1为时间滤波器数量，D表示深度乘子(空间滤波器数量)，F2表示点态滤波器数量，N为类数量。对于Dropout层，原文用p = 0.5表示受试者内分类，p = 0.25表示跨受试者分类 。
应用大小为(1,4)的平均池化层来将信号的采样率降低到32Hz，同时还对每个空间滤波器使用权重为1的最大范数约束进行正则化 。 < 1
在Block 2中，使用了一个可分离卷积，这是一个深度卷积(在这里，大小为(1,16)，表示在32Hz下500ms的脑电图活动)，然后是F2(1,1)逐点卷积。
可分离卷积的主要好处是：
- 减少拟合参数的数量
- 通过首先学习一个核，分别总结每个特征图，然后最优地合并输出。显式地解耦特征图内部和之间的关系
当用于eeg特定应用时，该操作将学习如何及时总结单个特征图(深度卷积)与学习如何优化组合特征图(点态卷积)分开。这种操作对于脑电图信号也特别有用，因为不同的特征图可能代表不同时间尺度的信息。 在文中的例子中，我们首先学习每个特征图的500ms，然后合并输出。一个平均大小(1，8)的池化层用于降维。
在分类block中，这些特征直接传递给一个N个单元的softmax分类，N是数据中类的数量。在softmax分类层之前，我们省略了使用稠密层进行特征聚合，以减少模型中自由参数的数量。
分类结果列举了两组分析：被试内和被试间。被试内分类使用被试数据的一部分来训练专门针对该被试的模型，而跨被试分类使用来自其他被试的数据来训练被试不可知的模型。在各种任务上，被试内部模型往往比跨被试模型表现得更好
对于被试内，作者使用四折交叉验证，使用重复测量方差分析(ANOVA)进行统计测试。对于P300和MRCP中的跨被试分析，随机选择四个被试作为验证集，一个被试作为测试集，其余的被试作为训练集。
EEGNet特征解释
- 汇总隐藏单元激活的平均输出。这可以定位某个频段的空间位置
- 可视化卷积核权重：因为EEGNet限制了卷积层的连通性(使用深度卷积和可分离卷积)，所以可以将时间卷积解释为窄带频率滤波器，将深度卷积解释为特定频率的空间滤波器
- 计算单试次特征对分类决策的相关性：相关性的正值表示支持结果的证据，而相关性的负值表示反对结果的证据。这种分析可以用来阐明高置信度和低置信度预测的特征相关性，并可以用来确认学习到的相关特征是可解释的，而不是噪声或伪特征
总结
EEGNet，一个小型的卷积神经网络，用于基于脑电图的BCI，它可以在有限的数据存在的情况下泛化不同的BCI范式，并产生可解释的特征。我们通过四个EEG数据集：P300视觉诱发电位、错误相关负波(ERN)、运动相关皮层电位(MRCP)和感觉运动节律(SMR)，对EEGNet与基于ERP和振荡的BCIs的最先进方法进行了评估。
DeepConvNet和EEGNet在所有跨被试分析中的分类表现相似，而DeepConvNet在几乎所有被试内分析中的分类表现较低(P300除外)。对这种差异的一种可能解释是用于训练模型的训练数据的数量;在跨被试分析中，训练集的大小大约是被试内分析的10-15倍。这表明，与EEGNet相比，DeepConvNet的数据密集型更强，考虑到DeepConvNet的模型规模比EEGNet大两个数量级，这一结果并不令人惊讶。
总的来说，在被试内和跨被试分析中，ShallowConvNet倾向于在ERP BCI数据集上比在振荡BCI数据集(SMR)上表现更差，而在DeepConvNet上观察到相反的行为。我们认为这是由于ShallowConvNet架构专门设计用于提取频带特征;在主要特征是信号幅度的情况下(如许多ERP BCIs中的情况)，ShallowConvNet的性能往往会受到影响。而DeepConvNet则相反;由于其架构的设计不是为了提取频率特征，所以在频率功率为主要特征的情况下，其性能较低。相比之下，我们发现EEGNet与ShallowConvNet在鼻中隔黏膜下切除术后的分类和DeepConvNet在ERP分类一样好，这表明EEGNet足够强劲的学习各种各样的功能范围的BCI任务。
原文链接：
1611.08024v4.pdf (arxiv.org)
https://arxiv.org/pdf/1611.08024v4.pdf文章开源代码：
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
