论文记录1

10.6 论文记录

应用深度学习EEGnet处理脑电信号

论文链接：https://arxiv.org/pdf/1611.08024.pdf

本文主要内容：

1. EEGnet论文；
2. EEGnet的实现。

正文部分：
脑机接口（BCI）使用神经活动作为控制信号，实现与计算机的直接通信。这种信号通常是从各种研究透彻的脑电图（EEG）信号中挑选出来的。卷积神经网络（CNN）主要用来自动特征提取分类，其在计算机视觉和语音识别领域中的使用已经很广泛。CNN已成功应用于基于EEG的BCI；但是CNN主要应用于单个BCI范式，在其他范式中使用比较少，论文作者提出是否可以设计一个CNN架构来准确分类来自不同BCI范式的EEG信号，同时，尽可能地紧凑（模型中参数数量尽可能地少）。
该论文介绍了EEGnet，这是一种用于基于EEG的BCI的紧凑型卷积神经网络。论文介绍了使用深度和可分离卷积来构建特定于EEG的模型，该模型封装了脑机接口种常见的EEG特征提取概念。
论文通过四种BCI范式（P300视觉诱发电位、错误相关负性反应（ERN）、运动相关皮层电位（MRCP）和感觉运动节律（SMR））（几个关键名词可见下篇博客进行注解），将EEGnet在主题内和跨主体分类方面与目前最先进的方法进行了比较。结果显示，在训练数据有限的情况下，EEGNet比参考算法具体更强的泛化能力和更高的性能。同时论文也证明了EEGNet可以有效地推广到ERP和基于振荡的BCI。

下图是EEGNet的整体结构，只有三个卷积模块，重点是depthwise conv 和separable conv这两个卷积模块。（后续文章讲解）

实验结果如下图，P300数据及的所有CNN模型之间的差异非常小，但是MRCP数据及却存在显著的差异，两个EEGNet模型的性能都优于所有其他所有模型（p<0.05）。

如下图每个模型的P300，ERN和MRCP数据集的分类性能平均为30倍。对于P300和MRCP数据集，DeepConvNet和EEGNet模型之间的差异很小，两个模型的性能均优于ShallowConvNet。对于ERN数据集，参考算法（xDAWN+RG）明显优于所有其他模型。

下图是对EEGNet-4,1模型配置获得的特征进行可视化。
（A）每个空间过滤器的空间拓扑。
（B）每个滤波器的目标试验和非目标试验之间的平均小波时频差。