EEG Classification

目录

传统方法

 基于深度学习

EEGNet: A Compact Convolutional Neural Network for EEG-based Brain-Computer Interfaces

MIN2Net_End-to-End Multi-Task Learning for Subject-Independent Motor Imagery EEG Classifification

---

BCI技术：包括5部分，信号采集、信号预处理、特征提取、分类和控制指令输出。一般分为两类:事件相关型和振荡型。

EEG信号的种类：P300 、稳态视觉诱发电位（SSVEP）、皮层慢电位（SCP）、感觉运动节律（SMR）、反馈错误相关负性(ERN)、运动相关皮层电位(MRCP)。

MNE生理信号分析（开源的Python第三方库/模块）

传统方法

基本是特征提取方法+传统分类器。

- 有的利用短时傅里叶变换(STFT)提取特征。有的利用小波包分解(WPD)提取表征时频信息的特征。还有的将脑电信号分解为空间模式，采用共同空间模式( CSP)进行特征提取。

- 根据提取的特征，使用KNN分类器、支持向量机(SVM)、XGBoost或随机森林等机器学习模型进行分类。

---

• 2015年kaggle BCI竞赛冠军：

代码：http://github.com/alexandrebarachant/bci-challenge-ner-2015

方法结合xDAWN空间滤波、黎曼几何、通道子集选择和L1特征正则化。包括五个步骤:

1. 使用ERP模板串联方法训练两组5 xDAWN空间滤波器，每组用于二进制分类任务的每一类。

2. 通过反向消除进行脑电图电极选择，只保留最相关的35个通道。

3.使用对数欧氏度量将协方差矩阵投影到切空间上。

4. 使用0.5比值的L1进行特征归一化，即L1和L2惩罚的权重相等。

5. 使用Elastic Net回归进行分类。

 基于深度学习

一般做法：应用一维cnn提取多级特征并预测标签 或 先用STFT将时域信号转换为频域信号再利用CNN对频率强度进行处理。针对是时序时域数据这种特性，有的网络同时包含CNN和LSTM的网络来处理。有点意思的是，有研究者提出了一种混合卷积尺度的CNN (HS-CNN)，它使用4 ~ 7Hz、8 ~ 13Hz、13 ~ 32Hz频段的带通滤波器将一个信号分成三个信号，并将它们输入到不同滤波器大小的卷积层中，然后将包含不同语义信息的特征串联起来，进行运动脑电分类。

此外，作为辅助，还可以用数据增强或注意机制。比如将注意力模块应用于LSTM，利用长时记忆信息进行基于EEG的分类。

对于小样本任务，充分学习支持样本的重要信息，以及正确衡量支持数据分布与查询信号之间的端到端关系是比较关键的。

---

• EEGNet: A Compact Convolutional Neural Network for EEG-based Brain-Computer Interfaces

代码：https://github.com/vlawhern/arl-eegmodels

EEGNet概要，这是一种紧凑的CNN架构，封装了几个众所周知的脑电图特征处理，如最优空间滤波和滤波器库构建。贡献：(1)可以跨几种不同的BCI范式应用，(2)可以用非常有限的数据进行训练，(3)可以产生神经生理学上可解释的特征。

结构：第一个block：从一个时间卷积开始学习频率滤波器，然后使用一个深度卷积分别连接到每个特征图，学习频率特定的空间滤波器。第二个block：包含可分离卷积（深度卷积的组合），深度卷积学习每个特征映射单独的时间摘要，然后是点卷积，学习如何最优地混合特征映射在一起。然后是分类block：特征被直接传递给一个具有N个单元的softmax分类。