MaltSci 麦伴科研

Appearance

文献精选 > 高引权威"脑机接口"文献

EEGNet: a compact convolutional neural network for EEG-based brain-computer interfaces. ​

文献信息 ​

DOI10.1088/1741-2552/aace8c
PMID29932424
期刊Journal of neural engineering
影响因子3.8
JCR 分区Q2
发表年份2018
被引次数504
关键词脑机接口, 卷积神经网络, 脑电图, 特征提取, 分类
文献类型Journal Article, Research Support, U.S. Gov't, Non-P.H.S.
ISSN1741-2552
页码056013
期号15(5)
作者Vernon J Lawhern, Amelia J Solon, Nicholas R Waytowich, Stephen M Gordon, Chou P Hung, Brent J Lance

一句话小结 ​

本研究提出了一种名为EEGNet的紧凑型卷积神经网络，用于有效分类来自不同脑-计算机接口（BCI）范式的脑电图（EEG）信号，显示出在泛化能力和性能上优于现有方法。该模型的成功应用不仅提升了BCI技术的灵活性，还为EEG信号特征的解释提供了新的视角。

在麦伴科研 (maltsci.com) 搜索更多文献 ​

脑机接口 · 卷积神经网络 · 脑电图 · 特征提取 · 分类

摘要 ​

目标 ​

脑-计算机接口（BCI）使得通过神经活动直接与计算机进行通信，神经活动作为控制信号。这个神经信号通常是从多种经过充分研究的脑电图（EEG）信号中选择的。对于给定的BCI范式，特征提取器和分类器是针对其预期的EEG控制信号的独特特性量身定制的，从而限制了其应用于特定信号。卷积神经网络（CNN）已被应用于计算机视觉和语音识别领域，以执行自动特征提取和分类，并成功地应用于基于EEG的BCI；然而，它们主要应用于单一的BCI范式，因此尚不清楚这些架构如何推广到其他范式。在此，我们探讨是否可以设计一个单一的CNN架构，以准确分类来自不同BCI范式的EEG信号，同时保持尽可能紧凑。

方法 ​

在本研究中，我们介绍了EEGNet，一种用于基于EEG的BCI的紧凑型卷积神经网络。我们引入了深度可分离卷积的使用，以构建一个特定于EEG的模型，该模型封装了BCI中众所周知的EEG特征提取概念。我们将EEGNet在四个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））中进行比较，评估其在个体内和个体间分类的表现，与当前的最先进方法进行对比。

主要结果 ​

我们表明，在所有测试的范式中，当训练数据仅限时，EEGNet在范式间的泛化能力优于参考算法，并且其性能相当高。此外，我们演示了三种不同的方法来可视化训练后的EEGNet模型的内容，以便于对学习到的特征进行解释。

重要性 ​

我们的结果表明，EEGNet足够稳健，能够在一系列BCI任务中学习多种可解释的特征。我们的模型可以在以下链接找到：https://github.com/vlawhern/arl-eegmodels。

英文摘要 ​

OBJECTIVE Brain-computer interfaces (BCI) enable direct communication with a computer, using neural activity as the control signal. This neural signal is generally chosen from a variety of well-studied electroencephalogram (EEG) signals. For a given BCI paradigm, feature extractors and classifiers are tailored to the distinct characteristics of its expected EEG control signal, limiting its application to that specific signal. Convolutional neural networks (CNNs), which have been used in computer vision and speech recognition to perform automatic feature extraction and classification, have successfully been applied to EEG-based BCIs; however, they have mainly been applied to single BCI paradigms and thus it remains unclear how these architectures generalize to other paradigms. Here, we ask if we can design a single CNN architecture to accurately classify EEG signals from different BCI paradigms, while simultaneously being as compact as possible.

APPROACH In this work we introduce EEGNet, a compact convolutional neural network for EEG-based BCIs. We introduce the use of depthwise and separable convolutions to construct an EEG-specific model which encapsulates well-known EEG feature extraction concepts for BCI. We compare EEGNet, both for within-subject and cross-subject classification, to current state-of-the-art approaches across four BCI paradigms: P300 visual-evoked potentials, error-related negativity responses (ERN), movement-related cortical potentials (MRCP), and sensory motor rhythms (SMR).

MAIN RESULTS We show that EEGNet generalizes across paradigms better than, and achieves comparably high performance to, the reference algorithms when only limited training data is available across all tested paradigms. In addition, we demonstrate three different approaches to visualize the contents of a trained EEGNet model to enable interpretation of the learned features.

SIGNIFICANCE Our results suggest that EEGNet is robust enough to learn a wide variety of interpretable features over a range of BCI tasks. Our models can be found at: https://github.com/vlawhern/arl-eegmodels.

麦伴智能科研服务 ​

智能阅读回答你对文献的任何问题，帮助理解文献中的复杂图表和公式
定位观点定位某个观点在文献中的蛛丝马迹
加入知识库完成数据提取，报告撰写等更多高级知识挖掘功能

主要研究问题 ​

  1. EEGNet在不同BCI范式中表现出的泛化能力如何影响未来BCI系统的设计？
  2. 除了EEGNet，还有哪些其他的卷积神经网络架构可以用于EEG信号分类？
  3. EEGNet的深度可分离卷积在特征提取中的具体优势是什么？
  4. 在EEGNet的训练过程中，如何选择合适的训练数据以提高模型的准确性？
  5. EEG信号分类中，如何评估模型的可解释性以及其对用户的影响？

核心洞察 ​

1. 研究背景和目的 ​

脑-计算机接口（BCI）通过直接使用神经活动作为控制信号，使用户能够与计算机进行交流。传统上，特征提取器和分类器是根据特定的脑电图（EEG）信号特征量身定制的，这限制了其在不同BCI范式中的应用。卷积神经网络（CNN）在计算机视觉和语音识别中表现出色，近年来也被应用于EEG-based BCI，但多为针对单一BCI范式的研究。因此，本研究的主要目的是设计一种单一的CNN架构（EEGNet），以准确分类来自不同BCI范式的EEG信号，同时尽可能保持模型的紧凑性。

2. 主要方法和发现 ​

本研究提出了EEGNet，这是一种专为EEG-based BCI设计的紧凑型卷积神经网络。该网络采用深度可分离卷积（depthwise and separable convolutions）构建，结合了EEG特征提取的经典概念。作者将EEGNet与当前的最新方法进行比较，测试了四种BCI范式的分类性能，包括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）。研究结果表明，EEGNet在有限训练数据的情况下，在各个范式中的分类表现优于现有方法，并且在不同的被试之间具有良好的泛化能力。

3. 核心结论 ​

EEGNet展示了其在多种BCI任务中学习可解释特征的强大能力，表明该网络结构在不同BCI范式间具有较好的通用性。研究结果表明，EEGNet在性能上与参考算法相当，且在数据量有限的情况下依然能保持较高的分类准确性。

4. 研究意义和影响 ​

该研究的意义在于，EEGNet为EEG-based BCI领域提供了一种新的有效的解决方案，提升了不同BCI范式间的适用性和灵活性。这种模型的紧凑性和可解释性，使其在实际应用中具有较高的潜力，尤其是在需要快速部署和实时响应的环境中。此外，通过可视化技术，EEGNet的特征学习过程得到进一步解释，为理解脑电信号处理提供了新的视角，可能推动BCI技术在医疗、康复和人机交互等领域的发展。

引用本文的文献 ​

  1. Deep learning with convolutional neural networks for EEG decoding and visualization. - Robin Tibor Schirrmeister;Jost Tobias Springenberg;Lukas Dominique Josef Fiederer;Martin Glasstetter;Katharina Eggensperger;Michael Tangermann;Frank Hutter;Wolfram Burgard;Tonio Ball - Human brain mapping (2017)
  2. Cross-Participant EEG-Based Assessment of Cognitive Workload Using Multi-Path Convolutional Recurrent Neural Networks. - Ryan Hefron;Brett Borghetti;Christine Schubert Kabban;James Christensen;Justin Estepp - Sensors (Basel, Switzerland) (2018)
  3. Multi-Channel Convolutional Neural Networks Architecture Feeding for Effective EEG Mental Tasks Classification. - Sławomir Opałka;Bartłomiej Stasiak;Dominik Szajerman;Adam Wojciechowski - Sensors (Basel, Switzerland) (2018)
  4. Convolutional Networks Outperform Linear Decoders in Predicting EMG From Spinal Cord Signals. - Yi Guo;Sinan Gok;Mesut Sahin - Frontiers in neuroscience (2018)
  5. EEG classification of driver mental states by deep learning. - Hong Zeng;Chen Yang;Guojun Dai;Feiwei Qin;Jianhai Zhang;Wanzeng Kong - Cognitive neurodynamics (2018)
  6. A New Frontier: The Convergence of Nanotechnology, Brain Machine Interfaces, and Artificial Intelligence. - Gabriel A Silva - Frontiers in neuroscience (2018)
  7. A New Method for Detecting P300 Signals by Using Deep Learning: Hyperparameter Tuning in High-Dimensional Space by Minimizing Nonconvex Error Function. - Seyed Vahab Shojaedini;Sajedeh Morabbi;MohammadReza Keyvanpour - Journal of medical signals and sensors (2018)
  8. Validating Deep Neural Networks for Online Decoding of Motor Imagery Movements from EEG Signals. - Zied Tayeb;Juri Fedjaev;Nejla Ghaboosi;Christoph Richter;Lukas Everding;Xingwei Qu;Yingyu Wu;Gordon Cheng;Jörg Conradt - Sensors (Basel, Switzerland) (2019)
  9. Machine learning for MEG during speech tasks. - Demetres Kostas;Elizabeth W Pang;Frank Rudzicz - Scientific reports (2019)
  10. Adaptive neural network classifier for decoding MEG signals. - Ivan Zubarev;Rasmus Zetter;Hanna-Leena Halme;Lauri Parkkonen - NeuroImage (2019)

... (494 更多 篇文献)

© 2025 MaltSci 麦伴科研 - 我们用人工智能技术重塑科研