EEGNet：一种用于基于脑电图脑机接口的紧凑卷积网络
摘要
脑机接口（BCI）利用神经活动作为控制信号，实现与计算机的直接通信。这种神经信号通常选自多种经过充分研究的脑电图（EEG）信号。对于给定的 BCI 范式，特征提取器和分类器需针对其预期 EEG 控制信号的独特特性进行定制，从而限制了其在该特定信号上的应用。卷积神经网络（CNN）已成功应用于基于 EEG 的 BCI，此前主要用于计算机视觉和语音识别领域；然而，它们主要被应用于单一 BCI 范式，因此这些架构如何泛化到其他范式仍不清楚。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，同时尽可能保持紧凑。在这项工作中，我们引入了 EEGNet，一种用于基于 EEG 的 BCI 的紧凑卷积网络。我们引入深度可分离卷积来构建一个 EEG 特异性模型，该模型封装了 BCI 中众所周知的 EEG 特征提取概念。我们在四种 BCI 范式上比较了 EEGNet 与当前最先进的方法：P300 视觉诱发电位、错误相关负波反应（ERN）、运动相关皮层电位（MRCP）和感觉运动节律（SMR）。我们证明，当仅可获得有限训练数据时，EEGNet 在不同范式间的泛化能力优于参考算法。我们展示了三种不同的方法来可视化训练后的 EEGNet 模型内容，以便解释所学到的特征。我们的结果表明，EEGNet 具有足够的鲁棒性，能够在一系列 BCI 任务中学习到多种可解释的特征，这表明所观察到的性能并非源于数据中的伪迹或噪声源。
引用
@article{arxiv.1611.08024,
title = {EEGNet: A Compact Convolutional Network for EEG-based Brain-Computer Interfaces},
author = {Vernon J. Lawhern and Amelia J. Solon and Nicholas R. Waytowich and Stephen M. Gordon and Chou P. Hung and Brent J. Lance},
journal= {arXiv preprint arXiv:1611.08024},
year = {2018}
}
备注
30 pages, 10 figures. Added additional feature relevance analyses. Minor change to EEGNet architecture. Source code can be found at https://github.com/vlawhern/arl-eegmodels