PAPER

深度学习引入到脑电领域，首先要解决的就是时间序列问题，脑电是非平稳，非线性，时序信号，  如何有效利用脑电的时域信息是本文的重点。 

1、 wpt DBN和结合

2、 LSTM 型rnn 的引入。

未来的方向，增大数据量，增大导联，采用CNN方法，

通过脑电图方式，可视化每一层特征，查看特征变化。通过可视化结果来分析脑电特征，分析其生理学原理。

重点参考文献：

1、DEEP FEATURE LEARNING FOR EEG RECORDINGS  DL 在EEG 应用，好好参考

We introduce and compare several strategies for learning discriminative features
from electroencephalography (EEG) recordings using deep learning techniques.
EEG data are generally only available in small quantities, they are highdimensional
with a poor signal-to-noise ratio, and there is considerable variability
between individual subjects and recording sessions. Our proposed techniques
specifically address these challenges for feature learning 

EEG 只能在目前只有很少的高质量数据库，信噪比较小，时变性强，个体差异大。

第一段dl 广泛应用到cv,nlp等领域，ＥＥＧ广泛应用到ｂｃｉ领域。但是

第二段ＤＬ解决EEG困难　在EEG中的困难。信噪比高，受眼点等干扰。eeg多道脑电----->引入

第三段 DL 可以解决上述问题，但是DL没有足够的数据，EEG采集不想图片，文本容易，需要专业的设备，才能得到高质量的数据，这无疑增加了研究的困难。

本文讲了一些 DL 在EEG中的困难，总结相关工作，

相关工作中，这里列举了大部分DL 在EEG的应用 ，  国外人写文章都不引用中国人的文章。国内南开，上海交大等有人做这个的。