頭皮腦電(EEG)擁有毫秒級時(shí)間分辨力,可實(shí)時(shí)獲取大腦意念認(rèn)知、思維決策的神經(jīng)電生理信息。EEG已廣泛用于腦成像研究,并成為21世紀(jì)神經(jīng)科學(xué)與工程研究開發(fā)的重要工具之一。但受顱內(nèi)組織容積導(dǎo)電效應(yīng)的影響,使其信噪比與空間分辨率較差,信息解碼嚴(yán)重受阻。隨著本世紀(jì)深度學(xué)習(xí)(DL)的快速興起與深入發(fā)展,研究者開始嘗試將深度學(xué)習(xí)與腦科學(xué)研究相結(jié)合,探究深度學(xué)習(xí)應(yīng)用于腦電數(shù)據(jù)處理的新方法,并已取得矚目的階段性成果,但采用現(xiàn)有方法進(jìn)行EEG信息解碼仍面臨諸多急需解決的難題。結(jié)合近些年深度學(xué)習(xí)在EEG數(shù)據(jù)處理領(lǐng)域的研究和應(yīng)用,綜合論述目前主流DNN模型結(jié)構(gòu)在EEG信息解碼領(lǐng)域的研究現(xiàn)狀及進(jìn)展成果,分析歸納其潛力優(yōu)勢與瓶頸難題及未來趨勢,以促進(jìn)深度學(xué)習(xí)解碼腦電信息的研究更深入有效發(fā)展。

【文章頁數(shù)】：14 頁

【部分圖文】：

圖1使用短時(shí)傅里葉變換(STFT)計(jì)算所得EEG時(shí)頻圖像作為卷積神經(jīng)網(wǎng)絡(luò)(CNN)輸入進(jìn)行MI分類任務(wù)示例[21]

以上所述方法的共同點(diǎn)是將原始信號(hào)映射到另一空間，以壓縮特征維度。而使用原始EEG數(shù)據(jù)，不僅可以省去這些數(shù)據(jù)處理步驟，同時(shí)還能最大限度地保持?jǐn)?shù)據(jù)的客觀性。因EEG信息并非都是二維呈現(xiàn)，這使常用的二維卷積核不能直接用于從原始EEG中提取特征;且圖像處理領(lǐng)域的研究經(jīng)驗(yàn)傾向于選擇小卷積核....

圖2時(shí)間-空間卷積網(wǎng)絡(luò)[32]

圖1使用短時(shí)傅里葉變換(STFT)計(jì)算所得EEG時(shí)頻圖像作為卷積神經(jīng)網(wǎng)絡(luò)(CNN)輸入進(jìn)行MI分類任務(wù)示例[21]目前，圖2所示的二維矩陣形式的輸入結(jié)構(gòu)幾乎已成為EEG數(shù)據(jù)處理的標(biāo)準(zhǔn)模式，但此種結(jié)構(gòu)破壞了電極通道空間信息這一腦區(qū)功能的重要反映[35]。為最大限度地保留EEG的客....

圖3情緒分類任務(wù)中第一層RBM的平均絕對權(quán)重分布(beta與gamma頻段對應(yīng)權(quán)重顯著大于平均[71])

整體上，DBN是一種正在逐漸退出人們視線的網(wǎng)絡(luò)，研究者往往將其作為一環(huán)嵌入模型的整體構(gòu)建中，而非用來構(gòu)建整個(gè)分類模型，如訓(xùn)練作為特征提取器。但是，作為一種相對透明的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，DBN在可解釋性與分析上擁有優(yōu)勢，使其更適用于基礎(chǔ)研究。在多個(gè)研究中，使用了DBN作為探究深度網(wǎng)絡(luò)結(jié)構(gòu)....

圖4通過腦電重建視覺圖像

為驗(yàn)證通過EEG能否同樣解碼出視覺信息，意大利卡塔尼亞大學(xué)(UniversityofCatania)與美國中佛羅里達(dá)大學(xué)(UniversityofCentralFlorida)的研究團(tuán)隊(duì)選擇了如圖4所示的網(wǎng)絡(luò)結(jié)構(gòu)。團(tuán)隊(duì)進(jìn)行視覺重建首先是使用LSTM對視圖EEG分類，然后....

本文編號(hào)：3894625