论文周报 | 第6期

更多技术，第一时间送达

导读：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。这种神经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和分类，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，在其他范式中的使用比较少，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（定义为模型中的参数数量）。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中常见的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))，将EEGNet在主体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比参考算法具有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。

网络结构图如下：

实验结果如下图，P300数据集的所有CNN模型之间的差异非常小，但是MRCP数据集却存在显著的差异，两个EEGNet模型的性能都优于所有其他模型。对于ERN数据集来说，两个EEGNet模型的性能都优于其他所有模型(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。

下图中第一排是使用DeepLIFT针对MRCP数据集的三个不同测试试验，对使用cross-subject训练的EEGNet-8,2模型进行的单次试验脑电特征相关性：（A）高可信度，正确预测左手运动;

（B）高可信度，正确预测右手运动;

（C）低可信度，错误预测左手运动。

标题包括真实的类别标签和该标签的预测概率。

第二排是在两个时间点的相关性空间分布图：按钮按下后大约50毫秒和150毫秒。与预期的一样，高可信度试验显示出分别对应左（A）和右（B）按钮对应的对侧运动皮层的正确相关性。对于低置信度的试验，可以看到相关性更加混杂且分布广泛，而运动皮质没有明确的空间定位。