用于端到端 EEG 解码的深度黎曼网络

目前在脑电图（EEG）解码任务中最先进的性能通常是通过深度学习（DL）或基于黎曼几何的解码器（RBD）实现的。最近，人们对深度黎曼网络（DRN）越来越感兴趣，它可能结合了前两类方法的优点。然而，在许多主题上仍需要额外的见解，以便为 DRN 在 EEG 中的更广泛应用铺平道路。这些包括架构设计问题，如网络规模和端到端能力。这些因素如何影响模型性能尚未被探索。此外，目前尚不清楚这些网络内的数据是如何转换的，以及这是否会与传统的 EEG 解码相关联。我们的研究旨在通过对具有广泛超参数的 EEG DRN 进行分析，为这些主题领域奠定基础。网络在五个公共 EEG 数据集上进行了测试，并与最先进的 ConvNets 进行了比较。在此我们提出了 EE(G)-SPDNet，并展示了这种宽的、端到端的 DRN 可以胜过 ConvNets，并且在此过程中使用了生理上合理的频率区域。我们还表明，端到端方法学习了比针对经典 EEG alpha、beta 和 gamma 频段的传统带通滤波器更复杂的滤波器，并且性能可以从特定通道的滤波方法中受益。此外，架构分析揭示了由于整个网络中可能未充分利用黎曼特定信息而需要进一步改进的领域。因此，我们的研究展示了如何设计和训练 DRN 以从原始 EEG 中推断任务相关信息，而无需手工制作的滤波器组，并突出了端到端 DRN（如 EE(G)-SPDNet）在高性能 EEG 解码方面的潜力。