用于 EEG 解码的深度卷积网络中谱特征的分层内部表示
机器学习
2018-03-16 v3 神经元与认知
机器学习
摘要
近来，关于机器学习模型可解释性的研究兴趣日益增长，例如它们如何在脑-机接口（BCI）应用中变换并内部表示 EEG 信号。除了可能提供关于数据本身的洞见外，这还有助于理解模型的局限及如何改进。Schirrmeister 等人（2017）最近报道了以端到端方式训练的深度卷积神经网络（ConvNets）用于 EEG 解码的 promising 结果，并通过因果可视化方法表明它们学会利用输入中的谱幅度变化。在本研究中，我们探究 ConvNets 如何通过网络的中间阶段序列表示谱特征。我们显示较早阶段对 EEG 相位特征更敏感，较晚阶段对 EEG 幅度特征更敏感。有趣的是，我们观察到网络的各个阶段对经典 EEG 频带 alpha、beta 和高 gamma 的专门化。此外，我们发现初步证据：特别是在最后的卷积层中，网络学会检测超出谱相位与幅度的更复杂振荡模式，令人联想到计算机视觉任务中 ConvNets 后层对复杂视觉特征的表示。因此，我们的发现深入揭示了 ConvNets 如何在其中间层分层表示谱 EEG 特征，并表明 ConvNets 能够利用且可能有助于更好地理解 EEG 时间序列的组合结构。
引用
@article{arxiv.1711.07792,
title = {Hierarchical internal representation of spectral features in deep convolutional networks trained for EEG decoding},
author = {Kay Gregor Hartmann and Robin Tibor Schirrmeister and Tonio Ball},
journal= {arXiv preprint arXiv:1711.07792},
year = {2018}
}
备注
6 pages, 7 figures, The 6th International Winter Conference on Brain-Computer Interface