MDPI开放科学分享 http://blog.sciencenet.cn/u/mdpi https://www.mdpi.com/

博文

Brain Sciences:中科院沈阳自动化研究所封锡盛团队——对SSVEP脑电信号进行识别的深度学习模型的综述

已有 2115 次阅读 2023-4-10 14:05 |个人分类:学术软文|系统分类:论文交流

作者介绍

· 通讯作者

WeChat Image_20230410133903.jpg

封锡盛 院士

中国科学院

中国科学院沈阳自动化研究所研究员、中国工程院院士、中国科学院大学博士生导师、哈尔滨工业大学荣誉教授、中国自动化学会会士、机器人学国家重点实验室学术委员会委员。主要研究方向:水下机器人控制理论与技术、总体设计、自主智能控制技术、水下机器人导航、自动驾驶、脑电控制等。


·第一作者

WeChat Image_20230410133911.jpg

徐东岑 博士研究生

中国科学院沈阳自动化研究所

中国科学院沈阳自动化研究所博士生。主要从事图像处理、机器人控制、脑电信号分析、深度学习的研究。是中国科学院前沿科学重点研究项目《水下机器人操作脑控技术研究》的主要完成人。


文章导读

基于 SSVEP 脑电信号的脑机接口具有传输信息速度快,识别稳定的优点,目前有着大量的应用。随着深度学习技术的发展,越来越多的科研工作者开始使用深度学习的方法对 SSVEP 脑电信号进行识别。但是深度学习的模型有很多参数,具有性能不可预测的特点,往往需要大量的尝试才能得到一个识别能力出色的模型。来自中国科学院沈阳自动化研究所的封锡盛团队在 Brain Sciences 上发表的文章,对近年来用于 SSVEP 脑电信号识别的深度学习模型进行了分析。具体研究过程如图 1 所示。

WeChat Image_20230410133913.png

图 1. 对用于 SSVEP 脑电信号分类的深度学习模型的分析。


研究方法与结果

作者对 31 个使用深度学习进行 SSVEP 信号识别的文章内模型进行了详细分析。这 31 篇文章使用 Cochrane collaboration tool 进行质量分析的结果如图 2 所示,其中大多数文章发表于 2021 和 2022 年。

WeChat Image_20230410133915.png

图 2. 31 篇使用深度学习进行 SSVEP 信号分析的文章质量分析结果。


·模型输入

在深度学习模型的训练中,数据的数量很重要。本文分析了 31 个深度学习模型使用的脑电数据总时长,如图 3A 所示。本文还对脑电信号输入的预处理进行了分析和概述,比如时频变换,滤波器组等。

WeChat Image_20230410133917.png
WeChat Image_20230410133920.png

                                       (A)                                                                             (B)

图 3. 深度学习模型使用的数据长度 (秒) 和卷积神经网络中核的尺寸。


·模型结构

用于 SSVEP 脑电信号分类的深度学习模型可分为全连接人工神经网络、卷积神经网络和循环神经网络三种。其中使用的最多的是卷积神经网络。经过分析,卷积层中的核的尺寸如图 3B 所示,大部分的核是 1×n 结构的,也可以把 EEG 信号当作一维信号来处理。而在构建该模型时为了防止过拟合,大部分同时使用池化层和随机失活的方法,或者仅仅使用随机失活。同时在模型训练上,主要使用的方法是 Adam,如图 4 所示。而在激活函数的选择上,ReLU 是最常用的;随着近年来深度学习的发展,也有研究开始尝试使用 PReLU 或者 GReLU 这种相比 ReLU 性能更优的激活函数,如图 5 所示。本文还对这 31 个模型的细节进行了分析,细节请参考原文表 2。

WeChat Image_20230410133921.png

图 4. 防止过拟合的方法和模型训练的方法。

WeChat Image_20230410133923.png

图 5. 激活函数的使用。


·总结与展望

这是近年来第一篇对用于 SSVEP 信号分类的深度学习模型解构和分析的综述性文章。本文给出了 31 个用于 SSVEP 信号分类的深度学习模型的结构细节和相关分析,对计算机领域和脑电分析领域的研究人员在设计新的用于 SSVEP 信号分类的深度学习模型的工作提供了高效直接的信息参考和设计指导。


未来的用于 SSVEP 脑电信号分类的深度学习模型可以在:

  • 使用单通道,耳通道来进行SSVEP信号识别;

  • 移植如图像处理、语言识别等领域的深度学习成果到SSVEP脑电信号分类模型上;

  • 使用其他脑电信号预处理方式来放大深度学习模型的输入特征。

等方面进行创新与突破。


原文出自 Brain Sciences 期刊

Xu, D.; Tang, F.; Li, Y.; Zhang, Q.; Feng, X. An Analysis of Deep Learning Models in SSVEP-Based BCI: A Survey. Brain Sci. 202313, 483. 


Brain Sciences 期刊介绍

主编:Stephen D. Meriney, University of Pittsburgh, USA

主要发表神经科学研究领域相关的论文。内容涵盖但不限于认知神经科学、发育神经科学、分子与细胞神经科学、神经工程学、神经影像学、神经语言学、临床神经科学、系统神经科学、理论与计算神经科学、环境神经科学、教育神经科学、行为神经科学等多个分类和领域。

2021 Impact Factor:3.333

2021 CiteScore:3.1

Time to First Decision:17 Days

Time to Publication:39 Days

科学网banner (1).jpg

Picture15.jpg



https://blog.sciencenet.cn/blog-3516770-1383653.html

上一篇:“土地科学面面观”专栏 | MDPI Sustainability:如何实现土地利用强度与生态环境质量双增长?
下一篇:年纪轻轻,怎么就被冠状动脉疾病缠上了? | MDPI JCDD
收藏 IP: 61.242.144.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-12-24 09:17

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部