Deep learning-based electroencephalography analysis: a systematic review
未经作者允许,本文禁止转载
摘要:
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的: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;
<