用于 ECoG 脑机接口的深度学习：端到端特征与手工特征之比较

在脑信号处理中，深度学习（DL）模型已变得常用。然而，与使用传统机器学习方法相比，端到端 DL 模型带来的性能提升通常显著但有限，且往往以计算负载增加和可解释性下降为代价。深度学习方法的核心理念是通过更大数据集来提升性能。然而，脑信号是低信噪比、标签不确定且随时间非平稳的时序数据。这些因素可能影响训练过程并减缓模型性能提升。对于端到端 DL 模型与使用手工特征的模型，这些因素的影响可能不同。此前尚未有研究，本文比较了使用原始 ECoG 信号与使用时频特征进行 BCI 运动想象解码的模型。我们探究当前数据集规模是否对任一模型构成更强限制。最后，对所得滤波器进行比较，以识别手工特征与经反向传播优化的特征之间的差异。为比较两种策略的有效性，我们采用了多层感知机以及已被证实在该任务中有效的卷积与 LSTM 层混合模型。分析基于一名四肢瘫痪患者执行 3D 手部平移运动想象任务的长期临床试验数据库（近 600 分钟记录）进行。对于给定的数据集，结果表明端到端训练未必显著优于基于手工特征的模型。性能差距随数据集增大而缩小，但考虑增加的计算负载，端到端训练在该应用中可能并不划算。