基于空间-频谱特征图的脑电数据深度表示
信号处理
2022-06-22 v1
摘要
与自然图像、音频和语音等常规数据不同，原始多通道脑电图（EEG）数据难以解释。现代深度神经网络在 EEG 研究中已显示出有前景的结果，然而由于脑回结构差异，寻找跨被试鲁棒的 EEG 数据不变表示仍具挑战。因此，EEG 数据的不变表示对于增进我们对大脑活动的理解并在迁移学习中有效使用它们是可取的。在本文中，我们提出一种通过利用记录电极间的空间关系并将其编码到空间-频谱特征图中来学习 EEG 数据深度表示的方法。我们使用来自 PhyAAt 数据集的听觉任务多通道 EEG 信号，并在 25 名被试上分别训练卷积神经网络（CNN）。随后，我们生成激活所有被试深层神经元的输入模式。所生成的模式可视为不同空间区域中大脑活动的地图。我们的分析揭示了与不同任务相关的特定大脑区域的存在。我们还识别出关注较大区域的低级特征以及关注较小且非常特定区域的簇的高级特征。有趣的是，在不同被试中发现了相似模式，尽管活动出现在不同区域。我们的分析还揭示了跨被试的共同大脑区域，可用作泛化表示。我们提出的方法使我们能够找到更具可解释性的 EEG 数据表示，可进一步用于有效的迁移学习。
引用
@article{arxiv.2206.09807,
title = {Deep representation of EEG data from Spatio-Spectral Feature Images},
author = {Nikesh Bajaj and Jesús Requena Carrión and Francesco Bellotti},
journal= {arXiv preprint arXiv:2206.09807},
year = {2022}
}
备注
For reproducing results and supporting code, visit https://phyaat.github.io