EEG 信号上的时空卷积——基于表示学习视角的高效可解释 EEG 卷积神经网络分类
机器学习
2026-05-06 v1 人工智能
摘要
使用浅层卷积神经网络（CNN）对 EEG 信号进行分类是各个领域中普遍且成功的方法。这些模型大多沿空间和时间维度使用独立的一维（1D）卷积层，并在拼接时不加入非线性激活层。在本文中，我们研究了一种执行二维（2D）时空卷积的替代编码方式。尽管 2D 卷积在数值上与沿两个维度拼接的两个 1D 卷积相同，但其对学习的影响仍不确定。我们在低维（3 通道）和高维（22 通道）的 BCI 运动想象分类任务中测试了 1D 和 2D CNN 以及 CNN+transformer 混合模型。我们观察到，2D 卷积在高维任务中显著减少了训练时间，同时保持了性能。我们研究了这一改进的根源，发现频谱特征重要性没有差异。然而，各模型间的表征相似性呈现出清晰的模式：1D 和 2D 模型产生了截然不同的表征几何。总体而言，我们提出了一种带有 2D 卷积层的改进模型，以实现更快的训练和推理。我们还强调了在处理复杂多变量信号时架构驱动编码的重要性，这体现在内部表征中而非纯粹的性能指标中。
引用
@article{arxiv.2605.03874,
title = {Spatiotemporal Convolutions on EEG signal -- A Representation Learning Perspective on Efficient and Explainable EEG Classification with Convolutional Neural Nets},
author = {Laurits Dixen and Stefan Heinrich and Paolo Burelli},
journal= {arXiv preprint arXiv:2605.03874},
year = {2026}
}