深度里曼网络用于端到端的EEG解码
Daniel Wilson1,2, Robin T Schirrmeister1,2,3, Lukas A W Gemein1
1Neuromedical A.I. Lab, Department of Neurosurgery, Medical Center-University of Freiburg, Faculty of Medicine, University of Freiburg, Freiburg, Germany.
Imaging neuroscience (Cambridge, Mass.)
|August 13, 2025
概括
深度里曼网络 (DRN) 显示出电脑电图 (EEG) 解码的前景. 我们的研究引入了一个端到端的DRN,其性能优于传统方法,使用生理学上可信的频率区域来改进EEG分析.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 最先进的脑电图 (EEG) 解码依赖于深度学习 (DL) 或基于里曼几何的解码器 (RBD).
- 深度里曼网络 (DRN) 集成了DL和RBD,但它们的架构设计和数据转换需要进一步研究,以便广泛应用EEG.
研究的目的:
- 探索超参数对深度里曼网络 (DRN) 在EEG解码中的表现的影响.
- 分析DRN中的数据转换及其与传统EEG解码方法的相关性.
- 为高性能EEG解码提出和评估一个端到端的DRN.
主要方法:
- 在五个公共EEG数据集中分析了具有广泛超参数的DRN.
- 拟议的端到端EEG SPDNet (EE(G-SPDNet) 与最先进的卷积神经网络 (ConvNets) 的比较.
- 在DRN架构中研究过器学习和特定道的过方法.
主要成果:
- 拟议的EE(G) -SPDNet是一个广泛的端到端DRN,与ConvNets相比,它表现出了优越的性能.
- 端到端的DRN学习了超越传统带通波器 (alpha,beta,gamma) 的复杂波器,并利用了生理上可信的频率区域.
- 通过特定道的过观察到性能增长,尽管架构分析表明了改进利用里曼信息的潜力.
结论:
- 端到端的DRN,如EE(G) -SPDNet,可以有效地从原始EEG推断与任务相关的信息,而无需手动过器.
- 该研究提供了对设计和训练DRN用于高性能EEG解码的基本见解.
- EE(G) -SPDNet强调了DRN在推进EEG分析和应用方面的潜力.
